世界最小六軸力傳感器問世，上交大楊建龍用光場與AI重塑醫療感知

現代影像設備已經能把人體內部“看”得越來越清楚，可當一支微創器械伸進狹窄的腔道、貼上一塊柔軟的組織時，它到底用了多大的力？如果用傳統的力學傳感器，它們往往需要搭載多種電子線路，塞不進小至毫米級的探頭，這也成為限制醫療器械精細化感知的一大瓶頸。

2026 年 5 月，上海交通大學楊建龍團隊在光學頂級期刊 Optica 上發表的一項最新工作，選擇把這一問題交給光來解決：一根金黃色的柔性細管，末端是一顆黑色的小圓球，擱在指尖上，比指甲蓋還小，這使其能在各類狹窄彎曲的腔道中自如穿梭。

這枚外徑僅 1.7 毫米的微型傳感器不依賴應變片，也沒有任何電子元件。它巧妙地把外力引起的微小形變“編碼”成光場變化，再借助人工智能，即可從一張圖像中精準解碼三個維度的力與三個維度的力矩。

（來源：受訪者提供）

為什么是 1.7 毫米？回答一個摸不準的痛點

要理解這枚傳感器，得先理解它的研制者為什么會執著于"做小"。

主導這項研究的楊建龍副教授來自上海交通大學生物醫學工程學院。他研究生階段所在的團隊從事慣性約束核聚變（ICF）激光驅動器的相關研發工作。高功率激光是一種高能量、高精度的驅動工具，目標宏大到指向人類未來的能源問題。在導師徐劍秋教授帶領下，他參與了整個裝置的搭建、調試與優化，也經歷過和同事一起奮戰到凌晨、最終把激光能量做“達標”的過程。

（來源：受訪者提供）

這段經歷帶來的是一種被他稱為系統工程思維的科研習慣：光源、光路、材料、控制、穩定性、標定、環境擾動，每一個環節都可能左右最終結果。他告訴 DeepTech，“真正重要的工程科學問題，不是靠一個漂亮想法就能完成的，往往需要系統設計、誤差控制、工程協同和長期調試，一點一點逼近目標。”

真正把他推向微觀的，是一段博士后經歷。2016 至 2018 年，他在美國俄勒岡健康與科學大學（OHSU）光學相干層析成像（OCT）共同發明人戴維·黃（David Huang）教授課題組做博士后，進入了眼科成像這個完全不同的尺度。其間，他與劉剛軍教授合作，研發出篩查早產兒視網膜病變的手持式 OCT 血流成像設備。

（來源：受訪者提供）

當設備被推到新生兒重癥監護室（NICU）的床旁、真正用于早產兒巡檢時，他第一次非常直接地意識到，光學系統真正有價值的地方，除了實驗室里測得的分辨率、靈敏度和算法指標，更在于其有沒有潛力成為貼合臨床流程的平臺，真正幫醫生在現場拿到過去不容易獲得的信息。

這種思路一直延伸至今，此次他們開發的微型傳感器，直指一個非常現實的臨床痛點：在微創檢查、微創手術和機器人精密操作中，醫生或機器人往往看得見，卻摸不準。現代影像系統把結構顯示得很清楚，卻無法提供關于物理交互的信息，傳統力傳感器又常常因為體積大、結構復雜，難以集成進毫米級的器械末端。

為了解決“摸不準”的難題，他們開發出這枚 1.7 毫米的傳感器，其核心思路可概括為“軟接觸、硬反饋”。傳感探頭由一根光纖搭配柔軟的彈性體（PDMS 硅膠）末端構成。當末端接觸物體時會發生極其微小的形變，這會改變末端內部光學腔體中的光分布，形成一個特定的光斑圖案。

圖案經由一束相干光纖束傳回近端，被相機拍成圖像；最后用數據驅動的方法，在這張圖像中反推各個方向的力與力矩。相干光纖束的關鍵作用，是在傳輸過程中保留光場的空間信息，從而讓全部感知都通過“單一光學通道”完成，正因此，末端不需要復雜布線，也不需要多個分立敏感單元。

（來源：DOI: 10.1364/OPTICA.582941）

談到這里，楊建龍特別向 DeepTech 強調：“我們并不是簡單地把傳感器做小。”在他看來，縮小尺寸只是結果，真正的命題是：在傳統傳感器進不去的極小空間里，探索一種適合該尺度的高維力覺感知方法。這與“把已有方案等比例縮小”是兩回事。

這條技術路線從起源之際就是兩個領域的交叉。一方面，機器人領域近年興起的視觸覺傳感（vision-based tactile sensing）給了團隊啟發：力不一定要被直接測量，也可以通過觀察柔性材料受力后的形變實現間接編碼；另一方面，團隊此前在腔道內機器人導航研究中用到的相干光纖束，提供了一種在超細徑下傳輸二維光場信息的能力。將二者結合，力覺傳感才有機會被進一步壓縮到毫米級。

用 AI 將光斑“翻譯”成力

證實了可行性之后，對于一枚將用于承擔精細任務的傳感器而言，如何測得準、測得穩，成為楊建龍團隊下一步需要解決的難題。

1.7 毫米尺度下，柔性材料的形變、內部光場變化、相干光纖束成像以及多維力和力矩之間高度耦合：不同方向的受力，在光場里有時會呈現出部分相似的響應模式。力學仿真與雅可比（Jacobian）分析顯示，系統理論上包含完整的六維力信息，傳統解析建模對噪聲和微小誤差非常敏感，直接反推并不可行。

這時，機器學習就派上了用場，算法能從大量真實與合成數據中，自主學會復雜、高維、非線性的整體映射關系。團隊結合了 AI 與傳統物理建模各自的優勢，先通過力學仿真和光學分析，確認系統里確實存在可區分的六維響應；再用 AI 完成復雜映射的穩健解碼。這樣看來，AI 更像一位物理翻譯官，在復雜耦合中完成解耦，成為傳統物理模型的補充。

（來源：DOI: 10.1364/OPTICA.582941）

然而，AI 一旦介入傳感，也將帶來兩個繞不開的風險。

第一是“走捷徑”的問題。這也是現有模型訓練中幾乎無可避免的情況。在學習受力分析時，模型可能偷懶，通過記憶與受力無關的特征拿到高分。在基于相干光纖束的系統中，光纖束內部纖芯排布、柔性材料的微小差異，都會讓每個探頭在靜態下呈現不同的紋理。如果直接讓模型從單張圖像學習力的映射，它很容易通過記憶這些靜態紋理在訓練集上表現亮眼，泛化能力卻有限。

團隊的解決方案是差分學習。楊建龍向 DeepTech 介紹稱，差分學習解決的是“模型應該關注什么”的問題，是一種偏物理約束的設計。它要求模型必須關注“受力之后哪些部分發生了變化”。這種做法會主動削弱靜態背景和固定紋理的影響，把模型的注意力引導到受力前后真正發生變化的區域。

在探討 AI 是否真正“理解”物理規律時，楊建龍表示，他并不愿把這套系統描述成一個“自動學會了力學”的黑箱智能，團隊是在物理約束和實驗數據的共同作用下，教會模型一種與形變相關的穩定表示。“AI 是否真正理解物理，這本身就是一個開放的問題。”

第二個風險是“幻覺”。團隊在標定環節引入了擴散模型，并用它生成了約 10 萬張合成圖像，以此解決真實標定數據獲取成本高、難以覆蓋龐大六維受力空間的問題。然而，在楊建龍教授看來，對這類光學力覺系統而言，真正危險的并不是圖像不夠逼真，而是模型學到了物理上并不存在的模式。

因此，團隊從一開始就沒有把擴散模型當作憑空造數據的工具。真實標定數據始終是基礎，合成數據只用于幫模型更連續地覆蓋六軸力/力矩對應的中間狀態；同時，團隊會關注生成結果是否符合基本物理連續性：柔性結構受力時，光場變化通常是連續、平滑、有方向關聯的，若出現局部異常紋理或不合理突變，便被視為缺乏物理可信性。

最關鍵的是，團隊并不太在意“生成的圖像像不像”，主要看它能否真正提升模型在真實實驗中的表現。若加入合成數據后真實測試效果沒有改善，甚至下降了，就說明這些數據沒有提供有效的物理信息。按楊建龍的總結，差分學習解決的是“模型應該關注什么”，擴散模型解決的則是“模型有沒有機會看到足夠豐富的狀態空間”。

（來源：DOI: 10.1364/OPTICA.582941）

從目前公開的實驗結果看，這套解碼框架已能比較穩定地完成六軸力/力矩的同步估計，其中只有軸向扭轉這一維度相對更困難。研究人員在研究中表示，在極小尺寸下，軸向扭矩本身產生的形變非常微弱，參考標定設備在小扭矩范圍內也更易受噪聲影響。

從實驗室到手術臺，不僅要懂“感知”

一項實驗室技術要走進手術室，最大的障礙往往不是能不能測到力，而是能不能在真實醫療環境里長期、穩定、可重復地工作。

在評估階段，團隊用一臺精密參考力-力矩傳感器作為基準、用電動位移臺制造包括復合力與扭轉在內的多種加載條件，對傳感器進行了系統標定與測試。結果顯示，傳感器在復雜加載下仍能給出準確、可重復的測量，且滯回很低，即加載與卸載時讀數幾乎一致；在溫度變化和探頭彎曲的情況下，性能也保持穩定。

團隊還做了“腫瘤觸診”模擬實驗：在明膠中嵌入一個較硬的球形包裹物模擬皮下腫瘤，結果證實，傳感器能檢測并定位這一隱藏結構，它提供的信息有望為微創介入的力學映射提供支撐。

圖 | 腫瘤定位實驗（來源：DOI: 10.1364/OPTICA.582941）

楊教授并不回避局限。在他看來，這枚傳感器最大的優勢，也是它最大的挑戰。首先是來自多維耦合的增強。尺寸縮到 1.7 毫米后，不同方向的受力會產生部分相似的光場響應，某些方向響應更弱、更易受噪聲影響。

其次是柔性材料的時間相關特性。傳感核心依賴彈性體形變，這類材料天然具有黏彈性，實驗顯示，持續加載時，材料會緩慢松弛，力學響應由此隨時間輕微漂移。目前，系統仍能穩定跟蹤這種變化，但更嚴格的長期場景仍需優化。

此外還有制造一致性的問題。系統涉及柔性材料、光纖束、微小腔體和裝配過程，并非標準化芯片結構。批量生產時，很小的工藝差異都可能讓不同探頭呈現不同的初始光場特征，這也是目前仍需逐探頭標定、引入差分學習與生成式標定框架的原因。最后還有常被忽略的一點，它并不是一個萬能傳感器，特別適合狹小空間、柔性接觸、多維力覺反饋等場景。但在大載荷、高沖擊或超高精度工業計量場景中，傳統剛性六維力傳感器仍有優勢。

更深一層，對于醫療場景下的 AI，楊建龍認為，醫療系統里的在線自適應，不能簡單理解為 AI 自己不斷學習、不斷改參數。一個完全開放、自我演化的黑箱系統，在醫療場景里其實非常危險。臨床真正關心的，是系統什么時候會失效、失效后能否被及時發現、行為是否仍可追蹤可驗證。楊建龍更愿意把醫療 AI 傳感器的成熟標準定義為，“知道自己什么時候開始不可靠了”。

因此，比起完全自由的在線學習，更現實的方向是系統能周期性檢測自身漂移、在有限范圍內做受約束的參數校準，或結合標準參考載荷完成重新標定。換句話說，它應當是一種可監管的自校準，而非無限制的自我學習，這也是團隊現在關注的重點。

從實驗室驗證走向實用，需要提高制造一致性、降低復雜標定需求，并在貼近真實的長期工況下完成集成與測試，才談得上產業化。至于壽命與量產成本，楊建龍明確表示，“目前還不適合給出具體數字”。

儀器的壽命主要取決于柔性材料疲勞、滅菌循環、光學鏈路穩定性和封裝可靠性，成本則取決于標準化制造、裝配良率和標定流程；不過，從架構上看，末端無需復雜電子器件、也不像光纖布拉格光柵等方案須依賴昂貴的高精度波長解調儀，標準化制造后，這套系統的復雜度和單位成本仍有下降空間。

給醫療器材提供一個力覺接口

有相機、有光、有感知，因此外界容易把這類技術想象成光學版 B 超，期待它順勢實現實時深部組織成像。楊建龍則給出了不同的意見，B 超的核心是聲波進入組織內部、接收回波形成深部圖像，這枚傳感器目前感知的是接觸作用下的力學響應，兩者原理不同。

但他認為這個方向有延展空間，可以與白光內窺鏡、血管內超聲等已有成像模態結合，進而發揮更多價值。對手術機器人而言，這種視覺-力覺的融合除了讓醫生看清組織，還能進一步確認器械與組織之間的接觸是否安全、操作是否過載。

從原理上看，這種基于光場編碼的無源感知結構，對小尺度、高密度集成相對有利，因而具備進一步陣列化的潛力。比如高自由度的機器人靈巧手。很多靈巧手已具備復雜運動能力，真正限制精細操作的往往是觸覺感知系統。

真實的“觸覺”是一個復雜的系統概念，包含對力、溫度、粗糙度、形狀等多維度的感知；其中，將力覺傳感器做小、做密又是一大瓶頸。這一微型六軸力/力矩傳感方案，通過光場變化遠端讀取信息，因而更適合進入柔性末端、腔道機器人或微創器械前端等傳統傳感系統難以覆蓋的狹小區域。當然，楊建龍也坦言，陣列化真正困難的是解決多通道解碼、制造一致性、統一標定和實時數據處理等系統級問題。

把鏡頭拉遠，從核聚變激光驅動器到貼近臨床的手持式 OCT，楊建龍的研究主線除了簡單的“從宏觀到微觀”，還有光在不同場景里承擔的不同角色：在能源裝置中，光是高能量、高精度的驅動工具；在 OCT 中，光是觀察微小組織結構和血流的窗口；在微型力傳感器中，光又進一步成為讀取力覺信息的載體。

尺度在變，應用在變，不變的是把光學技術真正做成可靠、有用、能進入真實場景的系統。這也正是這項工作的意義所在：它不做替代，只想補充一個空白。在傳統方案難以進入的極小空間里，提供一種新的多維力覺獲取路徑，最終在真實場景中讓機器看得更清、感受更準、操作更安全。

參考內容：

https://opg.optica.org/optica/fulltext.cfm?uri=optica-13-5-884

https://www.optica.org/about/newsroom/news_releases/2026/tiny_sensor_harnesses_light_to_feel_touch

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成