尺寸不正确的气球导管可能导致手术后并发症增加，但是即使术前成像，正确的选择仍然是一个挑战。在手术过程中反馈有限，很难验证正确的部署。我们建议使用集成的阻抗测量和电阻抗断层扫描（EIT）成像来评估气球的变形并确定周围腔的大小和形状。以前使用单个阻抗测量值或压力数据和分析模型的工作，同时证明了较高的尺寸精度，已经假设了圆形横截面。在这里，我们通过添加多种电极来检测椭圆形和遮挡的管腔并获得EIT图像以定位变形来扩展这些方法。以14 FR（5.3 mm）导管为例，进行数值模拟，以找到两个相距10 mm的8个电极的两个环的最佳电极构型。模拟预测，可检测到的最大纵横比在30mm时从14mm气球的0.9降低到0.5。实验验证了尺寸和椭圆度检测结果。构建了原型机器人气球导管，以自动膨胀一个兼容的气球，同时记录EIT和压力数据。在复制具有椭圆形和不对称曲线的狭窄血管的实验中收集了数据，并在血管成形术期间的管腔扩大。校准后，该系统能够正确定位闭合和检测为0.75的宽高比。 EIT图像进一步定位了阻塞，并在气球充气期间可视化管腔扩张。

视觉的触觉传感器由于经济实惠的高分辨率摄像机和成功的计算机视觉技术而被出现为机器人触摸的有希望的方法。但是，它们的物理设计和他们提供的信息尚不符合真实应用的要求。我们提供了一种名为Insight的强大，柔软，低成本，视觉拇指大小的3D触觉传感器：它不断在其整个圆锥形感测表面上提供定向力分布图。围绕内部单眼相机构造，传感器仅在刚性框架上仅成型一层弹性体，以保证灵敏度，鲁棒性和软接触。此外，Insight是第一个使用准直器将光度立体声和结构光混合的系统来检测其易于更换柔性外壳的3D变形。通过将图像映射到3D接触力的空间分布（正常和剪切）的深神经网络推断力信息。洞察力在0.4毫米的总空间分辨率，力量幅度精度约为0.03 n，并且对于具有不同接触面积的多个不同触点，在0.03-2 n的范围内的5度大约5度的力方向精度。呈现的硬件和软件设计概念可以转移到各种机器人部件。

结肠镜检查被认为是下层胃肠道（GI）癌症筛查的黄金标准，考虑到降低推荐的筛查年龄，全世界的筛查计划。尽管如此，由于结肠镜和结肠壁之间发生的力，常规结肠镜检查可能会给患者带来不适。已经提出了机器人解决方案，以减少不适感，并提高可访问性和图像质量。为了解决传统和机器人结肠镜检查的局限性，在本文中，我们介绍了软屏幕系统，这是一种基于Eversion导航的新型软性形状胶囊机器人，用于内窥镜检查。多个轨道围绕着系统的身体。这些轨道是由单个电动机搭配蠕虫齿轮和内部刚性底盘的Evert驱动的，从而使基于完整的轨道导航。两个可充气的环形腔室封闭了这个刚性底盘并穿过轨道，使它们在膨胀时取代。该位移可用于调节与周围壁的接触，从而实现牵引力控制并调整整体直径以匹配本地管腔尺寸。在这项工作中介绍了第一个束缚原型在2：1尺度下的系带原型的设计。实验结果显示了不同管腔直径和曲率的有效导航能力，为能够强大导航和可靠控制成像的新型机器人铺平了道路，并具有超出结肠镜检查的应用，包括胃镜检查和胶囊内窥镜检查。

脑出血（ICH）是最致命的中风子类型，死亡率高达52％。由于颅骨切开术引起的潜在皮质破坏，保守管理（注意等待）历史上一直是一种常见的治疗方法。最小的侵入性疏散最近已成为一种可公认的治疗方法，用于体积30-50 mL的深座性血肿的患者，但适当的可视化和工具敏感性仍然受到常规内窥镜方法的限制，尤其是较大的血肿体积（> 50 mL）。在本文中，我们描述了Aspihre的发展（脑部出血机器人疏散的手术平台），这是有史以来的第一个同心管机器人，该机器人使用现成的塑料管来进行MR引导ICH撤离，改善工具敏感性和程序可视化。机器人运动学模型是基于基于校准的方法和试管力学建模开发的，使模型可以考虑可变曲率和扭转偏转。使用可变增益PID算法控制旋转精度为0.317 +/- 0.3度。硬件和理论模型在一系列系统的基准和MRI实验中进行了验证，导致1.39 +\ -0.54 mm的管尖的位置精度。验证靶向准确性后，在MR引导的幻影凝块疏散实验中测试了机器人的疏散功效。该机器人能够在5分钟内撤离最初38.36 mL的凝块，使残留血肿为8.14 mL，远低于15 mL指南，表明良好的后疏散临床结果。

虽然在各种应用中广泛使用刚性机器人，但它们在他们可以执行的任务中受到限制，并且在密切的人机交互中可以保持不安全。另一方面，软机器鞋面超越了刚性机器人的能力，例如与工作环境，自由度，自由度，制造成本和与环境安全互动的兼容性。本文研究了纤维增强弹性机壳（释放）作为一种特定类型的软气动致动器的行为，可用于软装饰器。创建动态集参数模型以在各种操作条件下模拟单一免费的运动，并通知控制器的设计。所提出的PID控制器使用旋转角度来控制多项式函数之后的自由到限定的步进输入或轨迹的响应来控制末端执行器的方向。另外，采用有限元分析方法，包括释放的固有非线性材料特性，精确地评估释放的各种参数和配置。该工具还用于确定模块中多个释放的工作空间，这基本上是软机械臂的构建块。

电阻抗断层扫描（EIT）是生物医学成像的有前途的技术。 EIT的强度是它通过辐射安全技术重建人体内部结构图像的能力。 EIT对患者的健康被认为是安全的，目前正在积极研究它。本文研究了深脑刺激（DBS）手术中EIT的应用，作为识别手术目标目标的一种手段。 DBS涉及手术程序，其中将铅或电极阵列植入大脑的特定目标区域。然后，电刺激用于调节目标区域内的神经回路，以减少残疾神经系统症状。进行DBS手术的主要困难是在开始治疗之前将铅精确定位在目标区域。与术前磁共振成像（MRI）或计算机断层扫描（CT）图像相比，DBS手术期间的脑组织移位可能与目标大小一样大。为了解决这个问题，提出了基于开放域EIT的解决方案，以重建DBS手术期间探针周围的图像。进行了数据采集和图像重建，并应用了人工智能来增强所得图像。结果表明，所提出的方法是迅速的，产生了有价值的高质量图像，并且构成了迈向体内研究的第一步。

彼此接触的任何两个物体都会仅仅是由于重力或机械接触而引起的力，例如机器人手臂抓住一个物体，甚至是我们膝关节处的两个骨头之间的接触。自然测量和监视这些接触力的能力允许从仓库管理（基于重量检测错误包装）到机器人技术（使机器人臂的抓地力与人类皮肤一样敏感）和医疗保健（膝关节植入物）的大量应用。设计一个无处不在的力传感器是充满挑战的，该传感器可自然地用于所有这些应用。首先，传感器应足够小，以适合狭窄的空间。接下来，我们不想铺设笨重的电缆来读取传感器的力值。最后，我们需要进行无电池设计以满足体内应用程序。我们开发了WiforCesticker，这是一种无线，无电池，类似贴纸的力传感器，可以在任何表面上都可以无处不在，例如所有仓库包装，机器人手臂和膝关节。 WiforCesticker首先设计一个$ 4 $ 〜mm〜 $ \ $ \ times $〜$〜$ 2 $ 〜mm〜 $ \ $ \ times $〜$〜$〜$ 0.4 $〜毫米电容传感器设计，配备了$ 10 $〜$〜$〜$〜$〜$〜$〜$ 〜mm〜mm 〜mm 〜mm 〜mm在灵活的PCB基材上设计。其次，它引入了一种新的机制，可以通过将传感器与COTS RFID系统插入传感器，从而无线读取器无线读取器可以通过无线读取器读取力信息。该传感器可以在多个测试环境中检测到$ 0 $ -6 $ 〜n的力量，感应精度为$ <0.5 $ 〜n，并在传感器上使用超过10,000美元的$ 10,000 $变化的力级按下。我们还通过设计传感器展示了两个应用程序案例研究，称量仓库包和骨接头施加的传感力。

由于柔软的机器人越来越多地在需要高度和受控接触力的环境中使用，最近的研究表明，使用软机器人来估计或本质上感应而不需要外部传感机制。虽然这主要被示出在肌腱的连续管道机构或包括推拉杆致动的可变形机器人，但由于高致动变异性和非线性机械系统响应，流体驱动器仍然造成巨大挑战。在这项工作中，我们调查液压，并联软机器人至本质上的能力和随后控制接触力。导出了一种综合算法，用于静态，准静态和动态力感测，依赖于系统的流体体积和压力信息。该算法验证了单一自由度软流体致动器。结果表明，在准静态配置中，可以在验证范围内的验证范围内的0.56±0.66n的精度下估计作用在单个致动器上的轴向力。力传感方法应用于在单个致动器中强制控制以及耦合的并联机器人。可以看出，两种系统可以准确地控制力，以在多自由度平行软机器人的情况下控制定向接触力的能力。

当没有光学信息可用时，在不确定环境下的机器人探索具有挑战性。在本文中，我们提出了一种自主解决方案，即仅基于触觉感测，探索一个未知的任务空间。我们首先根据MEMS晴雨表设备设计了晶须传感器。该传感器可以通过非侵入性与环境进行交互来获取联系信息。该传感器伴随着一种计划技术，可以通过使用触觉感知来产生探索轨迹。该技术依赖于触觉探索的混合政策，其中包括用于对象搜索的主动信息路径计划，以及用于轮廓跟踪的反应性HOPF振荡器。结果表明，混合勘探政策可以提高对象发现的效率。最后，通过细分对象和分类来促进场景的理解。开发了一个分类器，以根据晶须传感器收集的几何特征识别对象类别。这种方法证明了晶须传感器以及触觉智能，可以提供足够的判别特征来区分对象。

信号处理是几乎任何传感器系统的基本组件，具有不同科学学科的广泛应用。时间序列数据，图像和视频序列包括可以增强和分析信息提取和量化的代表性形式的信号。人工智能和机器学习的最近进步正在转向智能，数据驱动，信号处理的研究。该路线图呈现了最先进的方法和应用程序的关键概述，旨在突出未来的挑战和对下一代测量系统的研究机会。它涵盖了广泛的主题，从基础到工业研究，以简明的主题部分组织，反映了每个研究领域的当前和未来发展的趋势和影响。此外，它为研究人员和资助机构提供了识别新前景的指导。

从对量子网络和传感器的基本力量的超敏感探测器，机械谐振器能够在室温环境中实现下一代技术。目前，氮化硅纳米腔作为这些进步中的领先微芯片平台，允许机械谐振器从环境热噪声显着隔离的机械谐振器。然而，迄今为止，人类直觉仍然是设计过程背后的驱动力。这里，由自然启发和通过机器学习引导，开发了一种蜘蛛网纳米机械谐振器，其显示通过数据驱动优化算法发现的新颖“扭转软夹紧”机构从环境热环境中分离的振动模式。然后制造该生物启发的谐振器;通过在室温环境中通过高于10亿以上的机械师进行实验证实了新的范式。与其他最先进的谐振器相比，这种里程碑是通过紧凑的设计实现的，该设计不需要亚微米光刻特征或复声胶凝带，使得在大尺度上制造显着更容易和更便宜。在这里，我们展示了机器学习与人类直觉一起工作的能力，以增加创造性的可能性，并在计算和纳米技术中发现新的策略。

许多介入外科手术依赖于医学成像来可视化和跟踪仪器。这种成像方法不仅需要实时能力，而且还提供准确且强大的位置信息。在超声应用中，通常只有来自线性阵列的二维数据可用，并且由于以下三维中的精确位置估计是非微不足道的。在这项工作中，我们首先使用现实的合成训练数据训练神经网络，以估计对象与重建的超声图像中的相关轴向像差的平面外偏移。然后将获得的估计与卡尔曼滤波方法组合，该方法利用先前的时间框架中获得的定位估计来改善本地化鲁棒性并降低测量噪声的影响。使用模拟评估所提出的方法的准确性，并在使用新型光学超声成像设置获得的实验数据上证明了其实际适用性。实时提供准确和强大的位置信息。对于模拟数据的平均误差为0.1mm的平均误差，对于实验数据的平均误差为0.1mm的平均误差，轴向和横向坐标估计。三维定位最精确地高于1mm的高距距离，最大距离为25mm孔径为5mm。

我们提出了一种依赖工程点扩散功能（PSF）的紧凑型快照单眼估计技术。微观超分辨率成像中使用的传统方法，例如双螺旋PSF（DHPSF），不适合比稀疏的一组点光源更复杂的场景。我们使用cram \'er-rao下限（CRLB）显示，将DHPSF的两个叶分开，从而捕获两个单独的图像导致深度精度的急剧增加。用于生成DHPSF的相掩码的独特属性是，将相掩码分为两个半部分，导致两个裂片的空间分离。我们利用该属性建立一个基于紧凑的极化光学设置，在该设置中，我们将两个正交线性极化器放在DHPSF相位掩码的每一半上，然后使用极化敏感的摄像机捕获所得图像。模拟和实验室原型的结果表明，与包括DHPSF和Tetrapod PSF在内的最新设计相比，我们的技术达到了高达50美元的深度误差，而空间分辨率几乎没有损失。

我们提出了一种使用嵌入式麦克风和扬声器来测量不同执行器特性的软气动执行器的感应方法。执行器的物理状态确定声音通过结构传播时的特定调制。使用简单的机器学习，我们创建了一个计算传感器，该传感器从声音录音中渗透相应的状态。我们在软气动连续执行器上演示了声传感器，并使用它来测量接触位置，接触力，对象材料，执行器通胀和执行器温度。我们表明该传感器是可靠的（六个接触位置的平均分类速率为93％），精确（平均空间精度为3.7毫米），并且可抵抗常见的干扰（如背景噪声）。最后，我们比较了不同的声音和学习方法，并以20毫秒的白噪声和支持向量分类器作为传感器模型获得最佳结果。

Accurate simulation of soft mechanisms under dynamic actuation is critical for the design of soft robots. We address this gap with our differentiable simulation tool by learning the material parameters of our soft robotic fish. On the example of a soft robotic fish, we demonstrate an experimentally-verified, fast optimization pipeline for learning the material parameters from quasi-static data via differentiable simulation and apply it to the prediction of dynamic performance. Our method identifies physically plausible Young's moduli for various soft silicone elastomers and stiff acetal copolymers used in creation of our three different robotic fish tail designs. We show that our method is compatible with varying internal geometry of the actuators, such as the number of hollow cavities. Our framework allows high fidelity prediction of dynamic behavior for composite bi-morph bending structures in real hardware to millimeter-accuracy and within 3 percent error normalized to actuator length. We provide a differentiable and robust estimate of the thrust force using a neural network thrust predictor; this estimate allows for accurate modeling of our experimental setup measuring bollard pull. This work presents a prototypical hardware and simulation problem solved using our differentiable framework; the framework can be applied to higher dimensional parameter inference, learning control policies, and computational design due to its differentiable character.

通过动态散射介质进行非侵入性光学成像具有许多重要的生物医学应用，但仍然是一项艰巨的任务。尽管标准弥漫成像方法测量光吸收或荧光发射，但也良好的是，散射的相干光的时间相关性通过组织像光强度一样扩散。然而，迄今为止，很少有作品旨在通过实验测量和处理这种时间相关数据，以证明去相关动力学的深度组织视频重建。在这项工作中，我们利用单光子雪崩二极管（SPAD）阵列摄像机同时监视单photon水平的斑点波动的时间动力学，从12种不同的幻影组织通过定制的纤维束阵列传递的位置。然后，我们应用深度神经网络将所获得的单光子测量值转换为迅速去摩擦组织幻像下散射动力学的视频。我们证明了重建瞬态（0.1-0.4s）动态事件的图像的能力，该动态事件发生在非相关的组织幻影下，并以毫米级分辨率进行重构，并突出显示我们的模型如何灵活地扩展到埋藏的phantom船只内的流速。

动态磁共振成像（MRI）是一种流行的医学成像技术，可生成组织和器官内部对比度材料流动的图像序列。但是，仅在少数可行性研究中证明了它在通过食道运动中的成像运动中的应用，并且相对尚未探索。在这项工作中，我们提出了一个称为力学的MRI（MRI-MEC）的计算框架，该计算框架增强了该能力，从而增加了动态MRI在诊断食管疾病中的适用性。菠萝汁用作动态MRI的吞咽对比材料，MRI图像序列被用作MRI-MECH的输入。 MRI-MECH将食道建模为柔性的一维管，弹性管壁遵循线性管定律。然后，通过一维质量和动量保护方程式，通过食道流动。这些方程是使用物理信息的神经网络（PINN）求解的。 PINN最大程度地减少了MRI测量和模型预测之间的差异，以确保始终遵循流体流量问题的物理。 MRI-Mech计算了食管转运期间的流体速度和压力，并通过计算壁刚度和主动弛豫来估计食道健康的机械健康。此外，MRI-Mech预测了在排空过程中有关下食管下括约肌的缺失信息，这证明了其适用于缺少数据或图像分辨率差的方案。除了基于食管机械健康的定量估计值来改善临床决策外，MRI-MECH还可以增强用于应用其他医学成像方式以增强其功能。

软气动执行器已经在许多软机器人系统中看到了应用，其压力驱动的性质提出了控制其运动的独特挑战和机会。在这项工作中，我们提出了一个新概念：通过末端几何形状设计和控制气动执行器。我们演示了一个新颖的执行器类，称为折叠气动人造肌肉（Foldpam），该肌肉具有一个薄纤维的空气袋，两侧对称折叠。改变执行器的折叠部分会改变最终约束，从而改变力 - 应变关系。我们通过测量具有各种长度和折叠量的单个foldpam单元的力 - 应变关系来实验研究这一变化。除静态几何单元外，驱动的FOLDPAM设备还设计为产生末端几何形状的连续，按需调整，从而实现闭环位置控制，同时保持恒定压力。使用设备的实验表明几何控制允许进入力 - 应变平面上的不同区域，并且闭环几何控制可以在驱动范围的0.5％以内实现误差。

软机器人技术有可能改变机器人运动，特别是软机器人游泳者提供了一种微创和自适应的解决方案，以探索和保存我们的海洋。不幸的是，当前的软机器人游泳者非常劣于进化的生物游泳者，尤其是在可控性，效率，可操作性和寿命方面。此外，设计软机器人所需的乏味的迭代制造和经验测试阻碍了它们的优化。在这项工作中，我们通过为设计和制造配备静电驱动的软机器人游泳者提供高效且直接的管道来应对这一挑战。我们简化了允许快速增材制造的过程，并显示如何使用可区分的模拟将简化模型与机器人游泳器的真实变形匹配。我们通过改变游泳者的拮抗肌肉的电压和驱动频率来对制造的游泳者进行多个实验。我们展示了在液态油中移动时的电压和频率如何改变游泳者的运动速度，并在前进的游泳速度下观察到明显的最佳选择。我们提出的可区分模拟模型具有各种下游应用，例如游泳者的控制和形状优化；通过我们的SIM到现实匹配，可以将优化结果直接映射回真实机器人。

与传统的物理知识计算模型相比，神经网络（NNS）为更快的时间表的综合和解释数据提供了一条途径。在这项工作中，我们开发了两个与平衡和形状控制建模相关的神经网络，它们是为国家球形圆环实验升级（NSTX-U）开发的一组工具的一部分，以快速预测，优化和可视化等离子体场景。这些网络包括EQNET，这是一种在EFIT01重建算法上训练的自由边缘均衡求解器和在GSPERT代码上训练的PERTNET，并预测了非刚性血浆响应，该​​响应是一种非线性术语，该术语在形状控制模型中产生。对NN进行了不同的输入和输出组合，以便在用例中提供灵活性。特别是，EQNET可以将磁性诊断作为输入，并用作EFIT样重建算法，或者通过使用压力和电流信息信息，NN可以充当正向级别的Shafranov平衡求解器。设想在模拟等离子体方案的工具套件中实现此前向模式版本。与在线重建代码实时EFIT（RTEFIT）相比，重建模式版本可提供一些性能改进，尤其是在容器涡流很大的情况下。我们报告所有NNS的强大性能，表明该模型可以可靠地用于闭环模拟或其他应用程序中。讨论了一些限制。