6月15日，天津大学医疗机器人与智能系统研究院开展2026年第十四期研究生阅读报告分享会，5名研究生依次进行了阅读报告分享。

研究院2021级博士研究生鲁宝岳进行题为《基于机械智能的超材料关节旋转编码方法》的报告分享。当前可重构机器人相关研究中多通过关节锁定和驱动器复用来实现多关节状态调节，在关节解耦、构型重组和驱动数量降低等方面具有一定优势，但仍普遍存在结构复杂、切换效率有限、系统扩展困难以及难以同步调节多个关节等问题。针对上述不足，研究尝试将机械超材料、可变刚度材料和旋转编码思想引入机器人关节设计，通过关节结构及材料分布的协同设计，使关节能够具备多个预设弯曲方向和可调刚柔特性。

在此基础上，研究进一步探索利用单一旋转输入对多个关节状态进行统一编码和同步切换的方法，从而提升机器人的运动模式数量、环境适应能力和整体控制效率。目前已完成基本原理分析、初步结构设计以及部分样件的加工验证，初步证明了方案的可行性。后续将继续优化关节的一体化设计与驱动方式，完善多关节、多方向条件下的编码方法，并开展力学建模、性能测试和样机实验。

研究院2022级博士研究生郭志松围绕《面向机器人支气管镜的自主导航方法与关键技术研究》展开分享。传统支气管镜导航高度依赖医生经验，复杂气道环境下易出现定位困难、路径迷失以及操作风险高等问题。基于此，研究以纯视觉自主支气管镜导航为核心目标，结合术前CT与术中单目支气管镜视频，提出一种基于拓扑约束动态场景表示的自主定位与安全控制方法。整体方案以气道拓扑图为全局结构先验，通过动态三维高斯场景表示实现支气管内部环境的连续几何建模，并结合视觉伪运动学估计、分支级定位及局部六自由度位姿优化，实现复杂气道中的实时定位与自主导航。同时，引入不确定性感知机制和安全视觉伺服策略，提高系统在遮挡、形变和复杂分叉条件下的鲁棒性与安全性。

报告还系统分析了近年来自主支气管镜领域的代表性工作，并总结了现有研究在拓扑理解不足、场景表示能力有限、定位鲁棒性不强以及缺乏安全恢复机制等方面的不足。后续研究将围绕动态气道建模、视觉重定位、强化学习安全控制以及真实幻影和动物实验展开相关工作，最终实现具有高鲁棒性、高安全性和临床应用潜力的自主支气管镜导航系统。

研究院2024级硕士研究生王海榕分享了论文《Cutting vibration based optimized VMD and multiscale network for improving bone saw system safety》。传统骨科手持摆锯手术方法依赖医生感官判断，易受术野遮挡和噪声干扰，而现有技术难以适应摆锯间歇式、非平稳的振动特性。针对术中切割状态监测难题，文章提出了一套基于振动信号的智能识别框架。

研究通过设计融合Y轴（切向阻力）与Z轴（轴向进给）振动信号的混合标注方法，结合能量分析与专家帧级校验，将切割过程划分为术前接触、稳定切割、临界穿透和完全穿透四个阶段。采用灰狼优化器改进变分模态分解，以谱熵和峭度复合为适应度函数，自适应提取与状态最相关的本征模态分量，有效抑制噪声与模态混叠。在60组人工骨数据上进行实验的结果显示，离线分类准确率达91.69%，参数量仅为同类SOTA模型的一半；在线推理单帧耗时103ms，满足实时需求。机械臂跨域测试中，单样本微调后准确率从75.45%提升至89.07%，展现良好泛化能力。该方法仅需三轴加速度计和位移传感器，不依赖机械臂或骨形先验，为低成本、高鲁棒的骨科手术智能监测提供了可行方案，对提升手持操作安全性具有重要应用价值。

研究院2024级硕士研究生李泽鑫进行了题为《面向胫骨高位截骨术的钢板及钉道规划系统研究》的报告分享。发表在《Medical Image Analysis》上的研究提出了一种面向骨盆骨折术前规划的自动化双向框架，通过结合骨折模拟、结构恢复和碎片复位，实现骨折复位手术规划。围绕真实骨折数据稀缺问题，研究首先利用骨结构、骨密度及随机扰动生成大规模模拟骨折数据集，为深度学习模型训练提供充足样本。随后提出结构恢复网络（SRN），通过学习骨折与健康骨盆之间的形变场关系，实现骨折结构的自动恢复。

为进一步提升真实场景下的性能，研究利用骨盆左右对称的解剖学特征构建自监督微调策略，缩小模拟数据与真实数据之间的分布差异。最终以恢复后的完整骨盆作为参考，通过配准方法完成骨折碎片复位并生成手术规划方案。实验结果表明，该方法在模拟数据、真实数据及含伪影数据集上均优于现有方法，平均复位误差达到临床可接受水平。该研究通过“骨折模拟—结构恢复—手术规划”的闭环设计，有效缓解了医疗数据不足问题，为复杂骨折术前规划提供了一种高效且具有临床应用前景的自动化解决方案。

研究院2024级硕士研究生陈枫分享了论文《Dual Focus-Attention Transformer for Robust Point Cloud Registration》。针对粗到细点云配准中密集特征交互易引入冗余信息、错误上下文和噪声，导致特征判别性与几何一致性下降的问题，Kexue Fu、Mingzhi Yuan等人提出了Dual Focus-Attention Transformer（DFAT）框架。该方法认为，现有GeoTransformer等方法在超点层面进行全局密集注意力交互时，容易使重复结构和非重叠区域共同参与特征聚合，从而稀释正确对应区域的特征表达，降低配准鲁棒性。

在粗尺度阶段，DFAT设计了超点聚焦注意力 Transformer。相比全局密集交互，这种聚焦式机制能够减少无关信息干扰，增强超点特征的局部一致性和判别能力。在匹配阶段，DFAT提出了双空间一致性匹配模块，同时利用特征空间相似性和几何空间邻域一致性筛选超点对应关系。在细尺度阶段，DFAT引入点级聚焦注意力模块，仅在属于同一超点匹配范围内的点集之间进行特征交互，建模局部上下文信息，减少超点内部的错误稠密对应。实验表明，DFAT在3DMatch、3DLoMatch和KITTI上均取得SOTA性能，其中在3DMatch和3DLoMatch上配准召回率达到94.9%和 76.8%，相比GeoTransformer分别提升3.4和2.8个百分点，并在Augmented ICL-NUIM多视角配准中展现出良好泛化能力。

文献来源：

[1]Lin B, Song S, Wang J. Reconfigurable Tendon-Driven Robots: Eliminating Intersegmental Coupling Via Independently Lockable Joints[J]. IEEE/ASME Transactions on Mechatronics, 2025.

[2]Wang S, Ke W, Xia G, et al. Cutting vibration based optimized VMD and multiscale network for improving bone saw system safety[J]. Expert Systems with Applications, 2026: 132125.

[3]Zeng B, Wang H, Tao X, et al. A bidirectional framework for fracture simulation and deformation-based restoration prediction in pelvic fracture surgical planning[J]. Medical Image Analysis, 2024, 97: 103267.

[4]Fu K, Yuan M, Wang C, et al. Dual focus-attention transformer for robust point cloud registration[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2025: 11769-11778.