告别死板导航，用肌电信号实时调整手术辅助约束，认知负荷大降

想让机器人学会“读心”？德国宇航中心(DLR)这篇论文教你用肌电图(EMG)信号，让手术机器人秒懂医生的收缩肌肉动作，实时调整辅助力度。做完实验一看，精度提升50%，医生脑力负担还大幅下降，科幻电影里的操作终于来了！

龙哥读论文发布于 2026-08-20 00:20:07 阅读 3 查看原文

#机器人 #AI应用

🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
想让机器人学会“读心”？德国宇航中心(DLR)这篇论文教你用肌电图(EMG)信号，让手术机器人秒懂医生的收缩肌肉动作，实时调整辅助力度。做完实验一看，精度提升50%，医生脑力负担还大幅下降，科幻电影里的操作终于来了！

原论文信息如下：

论文标题:
EMG-Based Adaptation of Anisotropic Virtual Fixtures for Robot-Assisted Surgical Resection and Dissection

发表日期:
2026年06月发表单位:
德国宇航中心(DLR) & 摩德纳大学原文链接:
https://arxiv.org/pdf/2606.13340v1.pdf

1. 手术机器人如何读懂你的“肌肉语言”？

想象一下，你正拿着手术刀在豆腐上雕花，旁边有个机器人助手帮你扶着胳膊。但你每次想换个角度切的时候，这个“助手”却死死卡住原来的轨迹不放——是不是很抓狂？这就是传统机器人辅助手术中虚拟夹具（Virtual Fixtures，VF）的尴尬：它们的约束几何形状是固定的，就像一条看不见的铁轨，医生只能沿着轨道走，想临时偏离一下都费劲。

德国宇航中心（DLR）和摩德纳大学的团队看不下去了，他们提出一个大胆的想法：让机器人“读懂”医生的肌肉信号，实时调整虚拟夹具的“松紧度”。你没听错——不是在键盘上按指令，而是通过医生前臂肌肉的肌电图（Electromyography，EMG）信号来判断你是想精细切割还是换个位置。收缩肌肉，约束自动解除；放松肌肉，约束重新激活。这就好比在手术刀上装了个“意念开关”。

图1：实验概览：(a) 机器人平台与用户界面，(b) 用于验证研究的定制绘图装置，(c) 模拟手术子动作的标准化任务

具体怎么做到的？研究团队用的是市面上常见的MYO臂环（Thalmic Labs出品），贴在医生前臂上采集多通道EMG信号。原始信号噪声大，经过均值绝对值（Mean Absolute Value）处理、0.5秒滑动窗口平滑去噪，再归一化得到一个0到1之间的激活指数γ(t)。这个γ(t)就是机器人的“理解大脑”——当γ(t)超过阈值γ̄（比如医生用力握拳），系统就知道：主人要脱钩了！于是约束瞬间扩大，医生可以自由移动；当肌肉放松，γ(t)低于阈值，约束又自动缩小回来，恢复精准引导。

2. 告别死板的导航：各向异性虚拟夹具的诞生

传统虚拟夹具大多是“各向同性”的——即在所有方向上都施加相同的约束。但手术中的切除与剥离（Resection and Dissection，R&D）任务，比如用超声刀沿着一条线切割，医生需要沿切线方向自由移动，而在法线方向上则需要严格限制（避免切偏）。这就需要一个各向异性的虚拟夹具：不同的方向给不同的“自由度”。

这套方案的核心思路是：先让医生通过动觉教学（Kinesthetic Teaching，KT）演示一遍理想路径——医生直接握着机器人末端走一遍，机器人记录下工具中心点（TCP）的轨迹，然后用三次B样条拟合出一条光滑曲线φ(s)，再转换为弧长参数化。这样，无论医生速度怎么变，约束始终沿着这条路。

图2：所提出的机器人辅助R&D控制架构的框图。图3：参考路径生成与框架构建。

接着，这条路径上每一点都建立一个局部正交坐标系{et, en, eb}。其中切向et指向路径前进方向；法向en由医生动觉教学时记录的器械朝向ẑ在法平面上的投影决定；副法向eb = et × en。这样一来，就可以沿着法向和副法向分别定义独立的死区（Dead Zone）宽度δn和δb，以及对应的刚度系数kn、kb和阻尼系数dn、db。

虚拟夹具的力分解为切向和正交两部分。切向力让虚拟质量沿路径同步前进，正交力在死区内部为零，一旦超出死区边界，弹性力就线性增加，同时阻尼也平滑过渡，防止边界处产生冲击。具体的公式如下：

公式：粘弹性力分解为切向和正交分量

公式：正交方向上粘弹性力的非线性律，其中dz(·)为死区函数，di在过渡带内线性递增

图4：各向异性约束的示意图。在宽度为αδ的过渡带内激活阻尼。

这种设计使得医生在法线方向上被限制在一个矩形走廊内（论文指出换成椭圆形或体育场形状可能更好），而在切线方向上可以自由前进。更重要的是，这些死区宽度δn和δb可以被EMG信号实时改变——这就是下一节要讲的核心玩法。

3. 从“指令”到“意图”：EMG信号如何成为控制开关

前面说了，传统虚拟夹具要么完全约束、要么完全不约束，二选一。但在真实的R&D手术中，医生需要频繁地在精细切割和大幅移动之间切换——比如切完一段后，要把器械抬起来换个角度再切。如果每次切换都要通过脚踏板或语音指令，不仅打断节奏，还增加认知负荷。

本文的核心创新之一就是设计了一个基于EMG的虚拟离合器（Virtual Clutch）。逻辑非常简单：当医生需要“脱开”约束时，只需收缩前臂肌肉（比如握拳），肌电信号超过阈值γ̄，系统立即将死区宽度δi(t)扩张到当前偏差的最大值，让医生感觉不到任何阻力，自由移动工具。当医生放松肌肉，信号降至阈值以下，离合器进入“自动缩回”模式：死区宽度δi(t)只在医生向参考路径靠近时减小（即当|ẋ̃i| < 0时），逐步恢复至初始标称值。这个单向更新逻辑非常巧妙——它避免了重新接合时突然产生弹性力，让医生感觉“平滑回归”。

来看图7的实际运行效果：

图7：任务3执行分析。(a) TCP轨迹，突出显示约束段与非约束段之间的过渡。(b) VF法向和副法向力与用户EMG信号及系统激活状态对比。

从图7(b)可以清楚地看到：每当EMG激活指数γ(t)（红色曲线）超过阈值（蓝色虚线），系统立即进入“分离”状态（阴影区域），约束力fve,n和fve,b归零；当γ(t)回落，系统重新“接合”，约束力恢复，但此时因为死区宽度自动跟踪了用户的偏离量，所以用户感知不到冲击。在跟踪阶段，作用力主要集中在副法线方向（fve,b），这正好对应了约束走廊最紧的方向，说明夹具在有效纠正横向偏差。

4. 临床级验证：精度提升50%，认知负荷显著降低

光说理论没用，还得看疗效。研究团队设计了三个标准化任务，模拟R&D手术中的核心子动作（见前面的图1c）：

任务1：连续追踪一条弯曲路径（模拟连续切割）；

任务2：离散地标记路径上的圆点中心（模拟在组织上定点剥离）；

任务3：交替进行连续追踪和离散标记（模拟实际手术中需要频繁切换视角和工具位置）。

7名受试者（24-29岁，无手术背景，保证了结果的普遍性）按固定顺序先做自由运动（No VF）作为基线，再做带虚拟夹具（VF）的任务，中间有充分熟悉时间。使用DLR MIRO机器人平台和LapTrainer模拟器，在标准腹腔镜视野下进行。客观指标包括跟踪误差和交互力，主观指标采用NASA-TLX量表和系统可用性量表（SUS）。

任务1结果：虚拟夹具使跟踪误差平均降低27.7%（p<0.05，Wilcoxon符号秩检验）。误差分布如图5(a)所示，VF条件下误差的散布明显变小。

图5：相对于参考路径的偏差，(a) 任务1和(b) 任务3。

任务2结果：在标记目标中心时，沿副法线方向（约束最强的方向）的误差减少了30.1%，虽然p=0.109未能达到统计显著（可能样本量N=7太小），但效果量很大，四分位距（IQR）缩减了34.6%，说明一致性大幅提升。图6(a)的箱线图清晰地展示了VF条件下误差分布的收紧。

图6：副法线方向位置误差的箱线图，(a) 任务2和(b) 任务3。

任务3结果：这是最接近真实手术场景的任务——需要频繁切换。结果非常亮眼：在路径跟踪段，位置误差降低50.3%（p<0.05，Wilcoxon检验达到了该样本量下的最大统计量）；在标记段，误差降低29.8%，IQR缩减39.4%，且p<0.05显著。为什么任务3比任务1提升更大？因为任务1是连续运动，人可以进入“自动驾驶”模式，而任务3的频繁切换打破了这种节奏，VF的稳定作用就显得格外重要。

交互力分析：表I给出了用户施加在法向和副法向上的平均力。法向无显著性差异（p>0.05），说明VF在允许运动的方向上近乎透明；副法向力有显著增加（p<0.05），但绝对值仅为0.85 N，远低于使人疲劳的程度，属于有益的引导。

表I：沿约束方向的用户平均施加力

主观评估：NASA-TLX问卷的结果（图8）显示，VF显著降低了心理需求、努力程度和挫败感（p<0.05），而身体需求没有显著变化——这说明VF在不增加体力负担的同时减轻了脑力消耗。SUS量表（图9）得到的平均分达到优秀水平，表明用户对系统易用性高度认可。

图8：(a) NASA-TLX主观评分。(b) 统计显著维度(p<0.05)的估计边际均值。

图9：系统可用性量表结果。(a) 各问题得分分布。(b) 每位参与者总分。

5. 未来展望：迈向智能协作的“读心”手术时代

这套基于EMG的自适应各向异性虚拟夹具，本质上是在手术机器人和医生之间架起了一座“生理信号桥梁”。相比需要手脚并用的传统指令输入（脚踏板、语音、触摸屏），利用前臂肌肉的自然收缩来调整约束，几乎不需要额外学习成本——就像你握紧拳头时自然产生的力量，机器人就能理解你想“脱钩”。

当然，这项技术目前还处于原型验证阶段。论文中提到的局限包括：实验样本量只有7人，且都是非外科医生；使用的MYO臂环是商业级而非医疗级传感器，信号稳定性有待提升；约束走廊目前是矩形，边角处的力过渡不够平滑；此外，EMG信号容易受到出汗、电极移位等因素干扰，在长时间手术中的鲁棒性需要进一步验证。

未来可以朝着几个方向演进：多模态融合（结合眼动追踪、脑电信号等）更精准地推断医生意图；机器学习预测手术子动作，实现超前于肌肉反应的预判；软体组织建模，让虚拟夹具路径能根据组织变形实时更新。

不管怎样，DLR这篇论文让我们看到了机器人辅助手术从“被动执行器”向“主动协作者”转变的曙光。医生不再需要去适应机器的僵硬规则，而是让机器来适应医生的肌肉语言——这大概就是“人机共融”的模样吧。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么实际问题？在机器人辅助腹腔镜手术中，传统的虚拟夹具（比如引导线）一旦设定就不能改，导致医生在做“切除-抬起-再切除”这类需要频繁切换姿态的任务时非常不便。本文提出的方法允许医生通过收缩前臂肌肉（比如握拳）来瞬间“松开”约束，自由移动工具，肌肉放松后约束自动恢复。这解决了传统方法无法适应手术流程和医生实时意图的问题。

什么是“虚拟夹具”？为什么需要各向异性？虚拟夹具是机器人辅助手术中一种常见的技术，它通过施加虚拟力或约束来引导医生的操作，就像在真实空间中放置了一个看不见的轨道或“保护罩”。各向异性意味着在不同方向上有不同的约束力度——比如切口中允许沿切线方向自由移动，但在法线方向严格限制偏移，这正好符合外科手术中“沿预定切割线走”的实际情况。

论文中用到的“动觉教学（KT）”是什么意思？动觉教学（Kinesthetic Teaching，KT）是机器人示教的一种方式：操作者直接握住机器人末端，像教小朋友写字一样，带着机器人走一遍理想轨迹。机器人内部传感器记录下位置序列，然后拟合出一条光滑曲线作为参考路径。这种方法的好处是无需编程，医生只需要在实际工作空间内自然地演示一次，路径就自动生成了。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★✰

将EMG信号用于虚拟夹具的动态调节，尤其是结合了各向异性约束和虚拟离合器逻辑，在R&D手术场景属于首创。虽然EMG控制在其他领域已有应用，但本文在人机协同手术中的设计思路清晰且实用。并非颠覆性创新，但在细粒度适配上有亮点。

实验合理度：★★★✰✰

实验设计较为严谨，采用了标准化任务（从FLS和LTB课程改编）和客观+主观双维度评估。但N=7的样本量偏小，导致部分结果未达统计显著，且只有非外科医生参与，结论的推广性受限。此外，固定顺序（先自由运动再VF）可能引入学习效应，虽然通过预备训练做了缓解，但未完全消除。

学术研究价值：★★★★✰

为EMG在机器人辅助手术中的人机交互提供了新的范式，特别是“肌肉信号解耦约束”的思路可以推广到其他需要共享控制的任务（如远程手术、微创介入）。论文中的控制架构设计（动觉教学+各向异性框架+EMG离合器）可供后续研究者直接复用和扩展。

稳定性：★★★✰✰

实验环境为受控的LapTrainer模拟器，且仅进行了单次短时测试。EMG信号本身具有易变性（出汗、电极松弛、长时间使用后信号漂移），在真实手术室（电磁干扰、医生大幅度移动）中的稳定性未证明。初步验证通过，但距离临床落地还有距离。

适应性以及泛化能力：★★★✰✰

方法理论上可以用于任何需要沿参考路径引导的共享控制任务（如内窥镜下黏膜剥离、精细绘图等）。但当前实验仅限于画线-标点这类简化任务，对软体组织变形、出血遮挡等真实复杂工况的适应性未知。泛化性还需在更多手术子任务上验证。

硬件需求及成本：★★★★✰

使用了商用MYO臂环（约200美元）和成熟的DLR MIRO机器人（昂贵但属于研究平台）。若未来批量生产，成本可控。计算量小（只需中值滤波和简单阈值判断），可以在嵌入式系统上实时运行，硬件门槛不高。但机器人本体需要具备力控能力和高精度末端定位。

复现难度：★★★✰✰

论文没有提供开源代码，但方法描述比较详细（公式、参数、逻辑图）。使用的DLR MIRO平台是专门研究用机器人，外部团队不易获得。但基本原理可以用其他力控机器人复现（如Franka Emika Panda）。EMG臂环是现成的。复现需要一定的机器人控制基础，大约需要2-3个月。

产品化成熟度：★★✰✰✰

尚处于原理验证阶段。需要经过：①更大规模临床前试验（包含外科医生）；②EMG信号在手术环境中的抗干扰改进；③与现有手术机器人系统（如达芬奇）的集成验证；④法规批准。乐观估计3-5年才可能成为可选功能。

可能的问题：最大的不足是实验规模太小（N=7，非目标用户），且任务过于简化（用笔在纸上画代替实际切割），结果的生态效度有限。另外，矩形约束走廊的尖锐边界可能带来不自然的力觉感受，论文自己也提到了这个局限。EMG阈值γ̄的设定是否对不同个体都鲁棒？没有讨论。

主要参考文献

[1] D. Onfiani, M. Dyck, L. Biagiotti, J. Klodmann. "EMG-Based Adaptation of Anisotropic Virtual Fixtures for Robot-Assisted Surgical Resection and Dissection". arXiv:2606.13340v1, 2026.

[2] S. A. Bowyer, B. L. Davies, and F. Rodriguez y Baena, "Active constraints/virtual fixtures: A survey," IEEE Trans. Robot., vol. 30, no. 1, pp. 138–157, 2014.

[3] L. B. Rosenberg, "Virtual fixtures: Perceptual tools for telerobotic manipulation," in Proc. IEEE Virtual Reality Annu. Int. Symp., 1993, pp. 76–82.

[4] M. Dyck, et al., "Kinesthetic teaching for virtual fixture generation in robot-assisted surgery," in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), 2025.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。龙哥读论文微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper