研究核心观点 - 柔性机器人与可穿戴机器人的传感器布局问题至关重要，核心在于优化布局的合理性而非单纯增加传感器数量 [2] - 曼彻斯特大学Charlie C.L. Wang团队提出了一种端到端联合优化框架，将传感器布局、选择与形变预测网络一同优化，以寻求在感知精度与可制造性之间的最佳平衡 [2][11][14] 研究方法论 - 研究团队颠覆了“先定布局，再训网络”的传统两步走方法，将传感器布局、传感器选择（开关）和形变预测网络三件事置于同一个端到端优化框架中联合优化 [10][11] - 该优化框架的流程是：收集形变数据并参数化表示 -> 为传感器位置配备可学习开关 -> 将传感器信号输入预测网络重建形状 -> 用预测误差和制造约束反向更新网络参数与传感器布局 [11] - 优化的目标不仅包括最小化形变预测误差，更关键的是将制造约束（如避免交叉、保持适当间距、控制长度）直接写入优化目标函数，追求“既能提高感知精度，又真的适合做成硬件”的方案 [14][16][17][18] 实验验证与效果 - 研究在软体机械臂、肩部柔性穿戴系统和可变形人体模型三类真实系统上进行了验证 [19] - 在软体机械臂实验中，传感器数量从20根优化至6根，优化后的6根布局其形变预测精度优于未优化的6根布局，也优于未优化的20根布局 [19] - 在肩部柔性穿戴系统实验中，传感器从20根压缩至4根，并在真实穿戴测试中验证了优化布局的有效性 [19] - 在可变形人体模型实验中，传感器从20根优化至10根，消除了初始布局中的交叉问题，且优化后的10传感器布局在真实测试中整体表现优于服装行业专家设计的10传感器布局 [19][21] 研究启示与设计理念 - 最优的传感器布局未必是外观工整或对称的，有效的信息分布应优先于“看起来舒服”的布局，系统应追求“对任务最有用”的布局 [22][23] - 制造约束不是优化完成后的附加检查项，而应被视为问题本体的一部分，必须与感知目标一同优化，才能得到可落地的设计方案 [22][24] - 此项研究将长期依赖经验和试错的传感器布局问题，推进成了一个可直接计算和优化的联合设计问题，为未来机器人“神经末梢”的设计提供了系统性优化思路 [27][28]