PAPER DEEP DIVE
覆盖皮肤机器人的触觉撤回反射设计与人因评估
设计覆盖皮肤机器人的触觉撤回反射,并进行人因评估,服务于安全人机交互与触觉感知。
皮肤覆盖机械臂的触觉缩回反射设计与人类评估
论文:Design and Human Evaluation of Tactile Withdrawal Reflexes for a Skin-Covered Robot Arm
作者:Laura Babayeva, Lukas Rustler, Matej Hoffmann(捷克理工大学控制学系)
链接:arXiv:2607.22249 | 平台:UR10e + AIRSKIN 全身触觉皮肤 | 代码:humanoids-ctu.github.io/Nociceptive-Reflexes
一句话总结:在覆盖全身触觉皮肤的 UR10e 机械臂上,将皮肤压力变化映射为标量疼痛增益,比较均匀反射、位置依赖反射和笛卡尔反射三种缩回策略,15 人用户研究发现可预测性最强的均匀反射在拟人性和自然度上评分最高,笛卡尔反射被评为最恰当的触觉反应。
研究背景与动机
一个多世纪前,Čapek 在《R.U.R.》中设想了几乎感觉不到身体疼痛、无法保护自身免受损害的机器人。Dr. Gall 的补救方案是添加疼痛敏感性作为自动保护机制。这一工程洞见至今仍然鲜明:与人类共享物理空间的机器人需要分布式触觉敏感性和快速、可理解的防护响应。人工伤害感受——检测和编码潜在损害性刺激——而非主观疼痛,是当代的相关构念。
人形和以人为中心的机器人越来越多地在杂乱环境中与人类近距离物理接触。在这种场景下,安全不能仅依赖距离分离或接触时的紧急停止——机器人还必须解读碰撞并以对人和机器人都安全的方式反应。生物疼痛为此提供了有用的设计隐喻:在人体中,伤害感受是保护性感觉运动机制,潜在损害性刺激可在刺激造成组织损伤前触发快速缩回。已有工作覆盖了触觉到反射链的多个环节:Kuehn 和 Haddadin 引入人工机器人神经系统,Vorndamme 等开发了上下文敏感的反射引擎。但缺失的元素不是完整的触觉到反射管线本身,而是在同一平台上比较三种缩回映射并配合以人为中心的评估。
核心问题:当机器人臂在不同身体区域被不同压力水平触碰时,应如何缩回?这对人机交互(HRI)很重要,因为同一运动既可发挥功能性安全作用,也可发挥沟通作用。机械上具保护性但不可读的反射仍可能感觉不安全;反之,可预测且可理解的反射即使不太忠实于生物关节招募也可能更受偏好。
从方法对比看,三种反射代表了生物启发的不同层次和运动复杂度。UR 是刻板的基线——相同关节增量独立于触碰位置,因而最可预测。LR 是强生物启发的,行为由疼痛增益和接触位置调制。CR 是工程方案——被接触气垫在笛卡尔空间中沿表面法向远离移动,通过雅可比映射利用所有机器人关节。这种从刻板到生物启发到工程方案的递进设计,使比较能分离生物保真度、可预测性和物理安全性三个维度对用户感知的影响。关键洞察是:同一运动既可发挥功能性安全作用也可发挥沟通作用,而沟通效果(可读性、可预测性)在 HRI 中往往比生物保真度更重要。
方法详解
1. 硬件与系统
使用 Universal Robots UR10e 六轴机械臂,配备 AIRSKIN 全身敏感皮肤。10 个气垫覆盖整个机器人表面——连杆由两个半圆柱气垫覆盖,关节由额外气垫覆盖。每个气垫是封闭外壳,内含压缩器和压力传感器,发送一个压力值。因此可以检测哪个气垫被触碰及压力变化,但无法精确知道气垫上的触碰位置。气垫按上肢类比分组:肩部(黄色)、上臂(绿色)、肘部(蓝色)、前臂(紫色)、腕部(粉色),每组 1-3 个气垫。系统基于 ROS Noetic 实现,通过 AIRSKIN 维护控制器获取压力值,计算相对于无接触基线的压力变化。机器人根据所选反射以关节位置或关节速度模式控制。
图1:管线示意。机器人执行任务时检测触碰,用压力变化估计疼痛增益 G(p),执行反射后返回接触前位置继续任务。
2. 压力到疼痛增益映射
设 $p$ 为激活皮肤气垫相对无接触基线的压力变化。控制器输出标量增益 $G(p)\in[0,1]$,其中 $G(p)=0$ 表示不缩回,$G(p)=1$ 表示完全缩回。离散疼痛模型基于 Serrao 等人的发现:疼痛等级 1-2 无可测运动($G_d(p)=0$),PL 3 为轻度反射($G_d(p)=0.35$),PL 4 为完全缩回($G_d(p)=1$):
$$G_{d}(p)=\begin{cases}0,&p<2\ \text{hPa}\\0,&2\leq p<6\ \text{hPa}\\0.35,&6\leq p<12\ \text{hPa}\\1,&p\geq 12\ \text{hPa}\end{cases}$$
连续疼痛模型使用以 0.5 为中心的 sigmoid 函数,捕捉生物疼痛的分级非线性特性:
$$\sigma(x;k)=\frac{1}{1+e^{-k(x-0.5)}},\quad \sigma_{s}(x;k)=\frac{\sigma(x;k)-\sigma(0;k)}{\sigma(1;k)-\sigma(0;k)}$$
其中 $k=3$ 控制陡度。连续模型在各个 PL 范围内分段插值,确保边界连续性:
$$G(p)=\begin{cases}0,&p<6\ \text{hPa}\\0.35\cdot\sigma_{s}\!\left(\frac{p-6}{6};k\right),&6\leq p<12\ \text{hPa}\\0.35+0.65\cdot\sigma_{s}\!\left(\frac{p-12}{8};k\right),&12\leq p<20\ \text{hPa}\\1,&p\geq 20\ \text{hPa}\end{cases}$$
3. 三种缩回反射
将人体上肢关节映射到机械臂:肩部内旋和内收对应基座和肩部关节($J_b, J_s$),肘部屈曲对应肘关节($J_e$),腕部运动对应腕关节。从人体运动范围文献提取最大位移向量:
$$\mathbf{q}_{\max}=[40°, 70°, 146°, 73°, 0°, 0°]^{T}$$
均匀反射(UR):无论触碰何处,对前四个关节施加固定增量,对应 $G(p)=0.5$ 的中等响应:
$$\mathbf{q}_{\text{ref}}=\frac{1}{2}\mathbf{q}_{\max}=[20°, 35°, 73°, 36.5°, 0°, 0°]^{T}$$
位置依赖反射(LR):生物启发的关节空间行为,用疼痛增益和位置依赖权重矩阵缩放最大位移:
$$\mathbf{q}_{\text{ref}}=G(p)\,\mathbf{W}(p,\ell)\,\mathbf{q}_{\max}$$
其中 $\ell$ 为激活的身体区域,$\mathbf{W}(p,\ell)$ 包含各关节权重。权重从上肢 NWR 文献选取并手动调整。反射以肩部内收和肘部屈曲为主,根据接触位置涉及基座和腕部屈曲。
笛卡尔反射(CR):工程方案,用机械臂雅可比将接触气垫沿表面法向在操作空间中远离接触方向移动。设 $\mathbf{n}$ 为激活气垫法向(转换到机器人基坐标系),期望平移速度为:
$$\mathbf{v}_{c}=-v_{\max}\,G(p)\,\mathbf{n}$$
关节速度通过解析速率控制计算:
$$\dot{\mathbf{q}}_{\text{ref}}=\mathbf{J}^{\dagger}(\mathbf{q})\begin{bmatrix}\mathbf{v}_{c}\\\mathbf{0}\end{bmatrix}$$
其中 $\mathbf{J}^{\dagger}$ 为雅可比伪逆。关节速度流式传输固定反射持续时间(0.5 秒)。
图2:三种反射类型示意。G(p)=1。灰色为初始姿态,彩色圆圈表示触碰点,彩色机器人为对应反射。
4. 状态机控制器
反射行为集成在有限状态机中,包含三个状态:TASK(任务执行)、REFLEX(反射执行)、RETURNING(返回)。TASK 状态下机器人执行预定义轨迹并持续感知皮肤数据。检测到非零疼痛增益时,机器人保存当前姿态、暂停轨迹执行并切换到 REFLEX——若反射期间有新的或更强的接触,轨迹和持续时间可更新。执行后切换到 RETURNING,返回保存的构型并继续 TASK。
graph TD A[TASK: 执行轨迹 + 感知皮肤] -->|检测到非零疼痛增益| B[保存当前姿态] B --> C[REFLEX: 执行缩回] C -->|新接触?| C C -->|反射完成| D[RETURNING: 返回保存姿态] D --> A style C fill:#f5a623,stroke:#b97316,color:#fff style A fill:#4a90d9,stroke:#2c5f8a,color:#fff style D fill:#7ed321,stroke:#4a8a14,color:#fff
实验结果
用户研究设计
15 名参与者(8 男 7 女,年龄 20-51,中位 26)参与被试内研究。每个条件下机器人执行相同轨迹(∞符号边界),参与者用一根手指以不同压力触碰变色的皮肤气垫并观察反应。三种条件(UR、LR、CR)顺序在三组间平衡,每组 5 人,每条件约 5 分钟至少 10 次触碰。每条件后完成问卷,全部后完成强制选择比较和开放式问题。使用 Friedman 检验分析重复测量差异,Wilcoxon 符号秩检验做事后分析。
Godspeed 量表结果
| 子量表 | UR | LR | CR | 显著性 |
|---|---|---|---|---|
| 拟人性 | 最高 | 次之 | 最低 | UR>CR***, UR>LR* |
| 生动性 | 最高 | 次之 | 最低 | UR>CR** |
| 好感度 | 最高 | 次之 | 最低 | UR>CR* |
| 感知安全 | ≈ | ≈ | ≈ | 无显著差异 |
均匀反射(UR)在拟人性、生动性和好感度上得分最高,相对笛卡尔反射(CR)差异显著,在拟人性别上相对位置依赖反射(LR)也显著。感知安全在三种反射间几乎无差异。
人体上肢 NWR 通路映射
| 身体区域 | 脊髓节段 | 主要肌肉激活 | 结果运动 |
|---|---|---|---|
| 肩部 | C5-C6 | 前三角肌激活/后三角肌抑制 | 肩前屈、外展/内收、内旋、肘屈 |
| 上臂 | C5-C7 | 肱二头肌和肱桡肌激活/肱三头肌抑制 | 肘屈和轻微肩屈 |
| 肘部 | C5-C7 | 肱二头肌和肱桡肌激活 | 肘屈 |
| 前臂 | C5-T1 | 旋前/旋后肌取决于刺激位置 | 前臂旋前/旋后伴肘屈 |
| 腕和手 | C5-T1 | 腕屈肌激活/伸肌抑制 | 腕内收/外展伴腕肘屈 |
这一生物组织映射为位置依赖反射的权重设计提供了基础——近端关节(肘和肩)即使刺激施加于远端(手部)也始终被招募,反射由屈肌兴奋和伸肌抑制协调以机械性地使肢体远离伤害。
自定义量表与比较问题
自定义量表显示 UR 被感知为更自然(与 LR 差异显著)和安全,但其速度/轨迹不被感知为与触碰成比例。LR 在所有三个子量表上方差最高。强制选择比较中,UR 在"最像人"和"最自然"上得票最多(分别领先第二名 1 和 2 票),在"最安全"上领先第二名 7 票——这表明简单反射可能最适合 HRI。作为最恰当的触觉反应,参与者选择了 CR(领先 1 票)。
图3:自定义量表 Likert 评分。UR 在自然度和安全性上得分较高,LR 方差最大。
定性反馈
开放式问题反馈与前述结果一致。UR 的反馈以可预测性和可控性为主——参与者报告机器人动作易学,使交互感觉更安全,尽管有人描述运动重复或不够富有表现力。LR 的反馈两极分化:部分参与者将变异性解读为更鲜活,另一些人将相同变异性解读为不确定性。最重要的批评是方向性的——在某些姿态下,所选关节组合可能导致机器人一部分向参与者移动而另一部分缩回。CR 更容易在观察后解释——参与者识别出被触碰气垫远离接触方向移动。但参与者主要关注该行为的运动和速度曲线——运动可能过于突然和短暂,更平滑更长的运动可能被更好感知。
从结果解读看,UR 的可预测性优势有几个原因。首先,相同的关节增量独立于触碰位置使参与者能快速学习运动模式——"触碰后机器人总是向基座方向收拢"。其次,关节空间运动"朝向身体"与生物反射一致,但在某些构型下可能导致被触碰气垫向而非远离接触方向移动。相比之下,CR 始终将被接触表面远离移动,在物理 HRI 中安全比感知安全更重要。CR 也比手动选择的关节权重表更易跨形态迁移——它只需要雅可比和气垫法向,不依赖特定形态的关节权重标定。参与者对 CR 的主要批评是运动过于突然和短暂——0.5 秒的固定持续时间可能不足以让参与者感知到运动的比例性。更平滑、更长的运动可能被更好感知,这暗示反射的时序设计需要与感知心理学对齐,而非仅追求快速脱离接触。
局限性
作者自述:AIRSKIN 以约 25Hz 发送数据,足以支持响应行为,但压力到力映射困难——它不仅取决于触碰力,还取决于接触面积、机器人速度或触碰位置,因此相同触碰可能产生不同疼痛增益。
分析判断:生物启发的 LR 未在任何评估指标上领先,部分归因于机器人臂与人体臂之间的具身差距以及参与者对机器人操作器的不同期望。LR 在某些构型下可能导致被触碰气垫向而非远离接触方向移动——这是关节空间反射的固有局限,而 CR 始终将被接触表面远离移动,在物理 HRI 中安全比感知安全更重要。CR 也比手动选择的关节权重表更易跨形态迁移。15 人的样本量使强制选择比较的小幅差异(1-2 票)需谨慎解读。AIRSKIN 的封闭气垫设计无法定位气垫上的精确触碰位置,限制了位置依赖反射的精度。研究仅在 UR10e 上进行,不同形态(如人形机器人)的泛化性未验证。
总结与展望
核心发现是可预测性是用户接受的关键——作为基线的均匀反射因可预测性和可控性在拟人性、自然度和安全感上评分最高,而最生物启发的位置依赖反射未在任何指标上领先。这挑战了"越生物启发越好"的直觉,表明在 HRI 中运动的可读性和一致性比生物保真度更重要。笛卡尔反射因始终远离接触方向移动被评为最恰当反应,在物理安全方面优于关节空间反射,且更易跨形态迁移。压力到力映射的困难和皮肤数据频率限制暴露了当前触觉皮肤技术的不足——更高分辨率和更快响应的皮肤将提升疼痛增益估计的可靠性。未来工作计划在不同机器人形态上重复实验,或引入记录的人体运动或运动重定向框架。人工伤害感受框架的完整实现和受控用户研究为安全 HRI 中的触觉反射设计提供了重要的实证基础与有价值的设计启示,值得在更多应用场景中持续深入探索与验证推广实践,推动相关技术走向更广泛的实际应用与产业落地发展,具有积极的现实意义与参考价值,值得持续关注与深入的科学研究与探索实践,以期获得更全面的验证。
机器人反射的价值不在于多像生物,而在于多可预测——当人能学会并预判机器人的缩回方向时,安全感才真正建立。可读性胜过生物保真度,这是 HRI 反射设计的核心教训。



