本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：针对动态人机共融场景的安全交互难题，提出“感知—决策—反馈”三层级协同优化框架。该框架融合多模态感知、自适应控制与触觉反馈技术，实现安全与效率统一。构建了多源异构感知模型，实现了视觉、触觉与惯性数据的时空对齐，碰撞预测准确率达92.3%；设计了动态阻抗控制器，突发接触时峰值碰撞力降64%；采用小波-CNN编码与跨模态触觉映射机制，操作者感知准确率提升至92.7%，反馈延迟＜15ms。多场景实验表明，系统性能显著优于传统方法。
关键词：人机协作安全；触觉反馈增强；多模态感知融合；自适应阻抗控制；时空对齐
doi：10.12045/j.issn.1007-3043.2025.07.004
引言
随着人工智能与机器人技术的深度融合，具身机器人（Embodied Robots）正逐步从实验室走向实际应用场景。在医疗康复、家庭服务、工业协作等领域，机器人不仅需要完成精准的物理操作任务，还需与人类在共享空间中实现自然、安全的协同交互。这种“人机共融”（Human-Robot Symbiosis）的愿景，标志着机器人技术正从“工具化”向“社会化”的范式转变。然而，在动态非结构化环境中，物理交互的安全性与交互自然性之间的矛盾，成为制约人机共融发展的核心挑战。本文聚焦于具身机器人在人机共融场景下的安全交互策略与力触觉反馈技术，旨在通过多模态感知融合与自适应控制方法，构建兼顾安全性与交互效率的闭环系统。
人机共融的核心目标是通过机器人与人类在物理空间、认知层面的双向交互，实现“1+1>2”的协同效应。据国际机器人联合会（IFR）统计，2023年全球协作机器人市场规模已突破23亿美元，其中医疗护理与家庭服务领域的增速高达35%。然而，物理交互过程中的安全隐患始终是技术落地面临的瓶颈。例如，在康复训练场景中，机器人需主动施加力学刺激以辅助患者运动，但患者突发性肌肉痉挛可能导致关节力矩超出限值；在工业协作场景中，工人与机器人在共享装配线作业时，误触或碰撞可能引发严重伤害。根据ISO/TS 15066标准，人体不同部位（如头部、手臂）的疼痛阈值差异显著，范围在1~150N，这对机器人的实时接触力控制提出了严苛要求。当前，具身机器人的安全交互能力仍面临三大矛盾：其一，环境感知的局部性与人类行为的全局随机性之间的矛盾；其二，传统刚性控制的高精度需求与人体接触柔顺性之间的矛盾；其三，触觉信号的高维特性与反馈通道带宽有限性之间的矛盾。这些矛盾导致现有系统在动态交互中常陷入“过度保守”（频繁中断任务）或“冒险激进”（忽略安全约束）的两极困境。因此，如何构建具备类人触觉感知能力、动态风险预测能力和柔性自适应控制能力的机器人系统，已成为学术界与工业界共同关注的焦点。
现有研究围绕人机交互安全主要从环境感知、运动规划与接触控制3个层面展开。在环境感知层面，基于视觉SLAM与激光雷达的避障算法已较为成熟，但此类方法仅能规避显性障碍物，对突发的近距离接触（如人类手臂快速挥动）的响应延迟可达200~500ms。Haddadin等人提出的碰撞检测框架通过关节力矩观测实现碰撞识别，但其阈值设定依赖于先验动力学模型，在负载突变或外力干扰场景下易产生误判。在运动规划层面，时变运动基元（DMP）与模型预测控制（MPC）被广泛应用于动态轨迹调整，但多数算法假设人类运动符合高斯分布，难以处理高度非结构化交互场景（如儿童不可预测的跑动等）。力触觉反馈技术的研究则面临更大的技术瓶颈。现有触觉传感器受限于空间分辨率与采样频率，难以捕捉快速滑移或微小形变信号。在反馈机制方面，振动马达与电刺激装置虽能传递基础触觉信息，但缺乏对接触力大小、方向与纹理的多维编码能力。Kaciroti等人开发的触觉渲染算法通过时间—空间插值提升反馈连续性，但其数据传输延迟仍高达30~50ms，导致操作者在接触发生后无法及时调整施力策略。
这些局限性揭示了当前人机交互系统的三大缺陷。
a）感知—控制割裂。环境感知模块与执行器控制缺乏协同优化，安全策略多依赖后验补偿而非先验预测。
b）触觉信息缺失。现有系统仅能处理二进制接触信号，无法区分接触意图。
c）个性化适配不足。安全阈值采用统一标准，未考虑用户年龄、体质差异对疼痛敏感度的影响。
针对上述问题，本文提出一种“感知—决策—反馈”三层级安全交互框架，其核心创新点包括如下几方面。
a）多模态动态碰撞预测模型。融合RGB-D相机的场景语义分割、柔性电子皮肤的分布式接触力检测与IMU本体状态监测数据，构建基于时空贝叶斯网络的碰撞概率实时估计模型，实现毫秒级风险预警。
b）变刚度阻抗控制算法。设计基于李雅普诺夫稳定性的自适应阻抗控制器，根据接触力梯度动态调整关节刚度，在任务执行精度与人体安全之间实现帕累托最优平衡。
c）触觉编码—反馈增强技术。开发基于MEMS微结构的超高密度触觉阵列，结合小波变换与CNN触觉特征提取算法，将原始触觉信号压缩至10%以下，且不损失关键信息；同时，设计多模态触觉反馈装置，通过振动、电刺激与热反馈的跨模态映射，提升操作者对接触力场的空间理解能力。实验表明，本文方法在UR5e机械臂与Humanoid服务机器人平台上取得显著效果：碰撞力峰值降低64%，触觉反馈延迟控制在15 ms以内，用户任务完成效率提升27%。这些进展为人机共融从理论构想走向大规模应用提供了关键技术支撑。
