医疗机器人关键技术研究进展及展望

赵建厂 ,  张鑫 ,  郝石磊 ,  蔡开勇 ,  王树新

中国工程科学 ›› 2025, Vol. 27 ›› Issue (6) : 68 -80.

PDF (682KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (6) : 68 -80. DOI: 10.15302/J-SSCAE-2025.10.029
数字医疗技术发展战略及能力建设研究

医疗机器人关键技术研究进展及展望

作者信息 +

Medical Robotics: Advances and Prospects in Core Technologies

Author information +
文章历史 +
PDF (698K)

摘要

医疗机器人是全球高端医疗装备的发展“高地”，与人工智能、脑机接口、新一代移动通信等前沿技术跨领域融合后成为医疗行业新质生产力的重要组成部分；把握医疗机器人关键技术研究态势，将支撑我国医疗机器人领域精准布局、提升医疗机器人产业技术竞争力。本文基于多维度的调研与评估，立足医疗机器人的发展需求，明晰了手术机器人、康复机器人、诊断机器人、其他医疗机器人的应用现状，梳理了结构设计、运动控制、感知反馈、信息处理与导航、远程通信与人机交互、人工智能辅助诊疗等医疗机器人关键技术方向的研究进展；进一步提炼出智能化与自主化、小型化与柔性化、交互多模态化与远程化、系统集成化与生态协同等医疗机器人关键技术突破方向。相关研究成果厘清了医疗机器人技术发展脉络与整体态势，为构建自主可控的医疗装备产业体系、提升医疗科技核心竞争力提供了理论支撑与决策参考。

Abstract

Medical robotics are a strategic frontier in global high-end medical equipment. Integrated with advanced technologies like artificial intelligence (AI) and brain‒computer interfaces, they become a key component of new-quality productive forces in the medical industry. A comprehensive understanding of the research landscape in core technologies of medical robotics will facilitate targeted advancements in China's medical robotics industry, thereby strengthening its technological competitiveness. Through multi-dimensional analysis, this study summarizes advances in surgical, rehabilitation, diagnostic, and other medical robots, and analyzes core technologies including structural design, motion control, sensory feedback, information processing and navigation, remote communication and human‒robot interaction, and AI-assisted diagnostics. The key development directions are identified as follows: intelligent and autonomous systems, miniaturization and flexible design, multimodal interactive and remote capabilities, and system integration and ecosystem synergy. Relevant research findings have delineated the development trajectory and overall trends in medical robotics technologies, offering a theoretical foundation and decision-making support for establishing a self-sufficient and controllable medical equipment industry system, thereby enhancing the core competitiveness of medical science and technologies.

关键词

医疗机器人 / 结构设计 / 信息处理 / 远程通信 / 人机交互

Key words

medical robotics / structural design / information processing / remote communication / human‒robot interaction

引用本文

引用格式 ▾
赵建厂,张鑫,郝石磊,蔡开勇,王树新. 医疗机器人关键技术研究进展及展望[J]. 中国工程科学, 2025, 27(6): 68-80 DOI:10.15302/J-SSCAE-2025.10.029

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

当前，新一轮科技革命和产业变革深入推进，人工智能（AI）、大数据、新材料等技术与医疗领域加速融合。作为高端医疗装备的代表，医疗机器人是一类应用于医疗领域、执行机械性工作或辅助医疗活动的机器人[1]，主要分为手术机器人、康复机器人、诊断机器人、其他医用机器人4类[2]。医疗机器人既是先进技术向医疗服务转化的关键载体，也是医疗技术高水平应用的重要体现，成为推动医疗行业变革的重要力量之一；具有辐射面宽、产业链长、技术扩散率高、连带效应强的特点，相应关键技术的突破与提升将促进医疗行业新质生产力的形成。

发达国家积极制定了与医疗机器人相关的发展规划及行动方案，以支持相应关键技术的研发与应用，提升医疗服务质量及效率，解决医疗资源分布不均的行业难题。美国以监管、科研“双轨”形式支持医疗机器人发展，在监管体系中明确定义机器人辅助手术设备的类别，为临床应用确立制度基础，将医疗机器人技术研究列为重点资助方向；通过《国家机器人计划1.0》《国家机器人计划2.0》《美国创新战略》等政策文件，明确医疗机器人的发展重要性。日本在《机器人新战略》《利用机器人促进社会变革规划》等政策文件中支持护理与康复机器人开发，将医疗机器人作为成长战略的重点方向。德国着力发展智能医疗，将医疗技术、机器人、AI列为重点投资方向，以国家任务导向的方式推动手术与医疗机器人的技术研发及临床转化。在我国，《优化全生命周期监管支持高端医疗器械创新发展有关举措的公告》（2025年）提出，支持高端医疗器械重大创新，促进更多新技术、新材料、新工艺、新方法应用于医疗健康领域；《“十四五”医疗装备产业发展规划》（2021年）、《“十四五”机器人产业发展规划》（2021年）均要求，加快智能医疗机器人关键技术攻关与应用落地。此外，诸多国际性的医疗设备制造商和科技企业，如美国Intuitive Surgical公司、日本Medicaroid株式会社、欧洲CMR Surgical公司、Moon Surgical公司，都在医疗机器人领域进行系统布局。

我国医疗资源分布不均衡的问题仍然突出，人口老龄化加剧则对医疗服务的质量及效率提出了更高要求。加快医疗机器人关键技术的研发与应用，能够促进落实“健康中国”发展目标、提升医疗服务能力、支撑医疗行业高质量发展，也是打破国外技术垄断、构建自主可控的医疗装备产业体系的重大举措，推动我国医疗行业转型升级、提升国际市场竞争力的必然选择[3,4]。在此背景下，本文以技术自主化、产业标准化为研究切入点，明晰医疗机器人应用现状并梳理关键技术研究进展，前瞻医疗机器人未来研究方向，为医疗科技创新能力与核心竞争力、先进医疗装备更新换代、医疗产业发展等研究提供基础参考。

二、 医疗机器人应用现状

（一） 手术机器人

手术机器人是一种辅助外科医生进行手术、提高手术精准度和可控性的机电系统。相比传统手术模式，手术机器人在操作精度、稳定性、手术过程的舒适性等方面具有优势，也提供远程操作的能力，对缓解医疗资源分布不均具有重要价值。根据开展术式的不同，手术机器人细分为腔镜手术机器人、骨科手术机器人、泛血管介入手术机器人、自然腔道手术机器人、经皮穿刺手术机器人[5]。整体上，降低医源性创伤、实现精准诊疗、降低医生操作负荷是手术机器人发展的主要目标，机器人本体设计、控制以及人机交互技术等将支撑手术机器人的性能提升与功能拓展。

1 腔镜手术机器人

腔镜手术机器人是手术机器人领域商业化程度最高的类别，适用术式与传统微创手术基本一致，可广泛应用于泌尿外科、妇科、普外科等。该类系统由外科医生控制台、患者床旁机械臂系统、三维高清影像模块构成，采用主从遥操作模式[6,7]，按照入路孔数量分为多孔、单孔两种[8]，具有微创性、操作精细度高、运动灵活性强、震颤过滤效果好等优势[9]。

在多孔腔镜手术机器人方面，国际上代表性的产品为Intuitive Surgical公司的达芬奇手术机器人，完成腹腔镜手术超过1.4×107例[10]；末端器械具有高自由度的特性，可完成缝合、结扎等精细操作，运动缩放功能可有效规避手部微颤对手术精度的影响，在多科室手术中表现优异。国内产品主要有天津大学主导研发的“妙手S”[11]、上海微创医疗机器人（集团）股份有限公司研发的“图迈”[12]、深圳市精锋医疗科技股份有限公司研发的MP1000[13]等，均进入了临床应用阶段，正在加快商业化进程。

在单孔腔镜手术机器人方面，国际上代表性的产品为Intuitive Surgical公司的达芬奇手术机器人SP系统，国内产品主要有北京术锐机器人股份有限公司研发的蛇形臂单孔机器人、上海微创医疗机器人（集团）股份有限公司研发的“图迈”单孔手术机器人、深圳市精锋医疗科技股份有限公司研发的单孔手术机器人SP1000。相关手术机器人的临床应用从核心科室逐步拓展至多学科领域，如泌尿外科成为新的主要应用方向，妇科、普外科、胸外科均有成熟的应用场景，小儿外科等新兴领域也实现技术适配与临床落地。

在腔镜机器人普及应用方面，全球市场主要由国际品牌主导，而国内产品在技术突破后也实现临床转化与商业化落地，逐步打破市场垄断格局。国内普及呈现区域分布不均衡的特征，通常优质医疗资源集中地区的应用更为广泛，而基层医疗机构的应用处于起步阶段。受益于医保政策纳入、技术培训体系完善等因素，相关应用正在向更广泛的医疗场景渗透，临床可及性稳步提升。

2 骨科手术机器人

骨科手术机器人是手术机器人商业化进程中的重要分支，主要针对脊柱外科、关节置换等术式，可辅助术者完成椎弓根螺钉植入、人工关节置换等核心操作。该系统由术前规划软件、术中导航系统、机械臂操作平台构成，通过精准图像引导与导航定位实现自动化或半自动化操作[14]，具有定位精度高、操作稳定性强、降低术中辐射暴露、微创性等优势[15]。

国际上的知名产品有美国Stryker公司的Mako、Zimmer Biomet公司的ROSA等骨科手术机器人[16]。国内产品主要有北京天智航医疗科技股份有限公司的TiRobot脊柱外科手术机器人、杭州键嘉医疗科技股份有限公司的Arthrobot关节手术机器人、北京和华瑞博医疗科技有限公司的Hurwa骨科导航机器人等，积累了较大的手术样本量，商业化进程持续深化。

3 泛血管介入手术机器人

泛血管介入手术机器人侧重心血管、脑血管、外周血管疾病的精准介入治疗[17]，面向冠状动脉支架植入、脑动脉瘤栓塞等术式，辅助开展血管通路建立、导丝导管操控等关键操作[18,19]。该系统由三维血管造影融合模块、远程智能操控平台、自动化器械操作单元构成，依托影像导航与路径规划提高手术过程的智能化及精准化水平，具有降低术者辐射损伤、提升复杂病变手术成功率、减少操作偏差等优势。

国际上的知名产品有德国西门子医疗系统有限公司的CorPath GRX[20]、Robocath R-One泛血管介入手术机器人[21]。国内产品主要有苏州润迈德医疗科技有限公司的FlashBot、赛诺威盛科技（北京）有限公司的sROBOT等泛血管介入手术机器人，在临床研究中展现出应用价值。

4 自然腔道手术机器人

自然腔道手术机器人通过消化道、呼吸道等人体自然腔道抵达目标病灶，实施无体表切口的微创治疗；面向经胃、经支气管等复杂术式，可辅助完成组织切除、活检等操作。该系统由多自由度柔性机械臂、高清成像模块、主从遥操作平台、智能路径规划子系统构成，借助连续体机构设计突破传统内镜的灵活性限制，具有手术创伤极小、术后恢复快、操作空间可达性高、降低医生疲劳度等优势[22]。

国际上的知名产品有Intuitive Surgical公司的Ion支气管机器人，美国强生公司的Monarch支气管机器人、MedRobotics Flex消化道机器人等[23]。国内相关研发进展显著，上海微创医疗机器人（集团）股份有限公司、深圳市精锋医疗科技股份有限公司正在开发支气管镜机器人，广州巧捷力医疗科技有限公司、深圳市罗伯医疗科技有限公司正在开发消化道手术机器人[24,25]。

5 经皮穿刺手术机器人

经皮穿刺手术机器人通过经皮途径刺入体内后抵达目标病灶，实施精准穿刺诊断与治疗；面向肺、肝等部位组织器官的经皮穿刺术式，可辅助完成活检、肿瘤消融等操作[26]。该系统由多自由度机械臂、医学图像导航模块、主从控制平台、穿刺路径规划子系统构成，借助机器人定位与导航技术突破手工穿刺的精度限制，具有穿刺精度高、手术风险低、操作一致性好、减少医生辐射暴露等优势。

国际上的知名产品有美国Veran公司的IG4磁导航穿刺系统[27]、以色列XACT公司的ACE持针穿刺机器人等。国内相关研发进展显著，真健康（北京）医疗科技有限公司的TH-S1穿刺导航定位系统、武汉联影智融医疗科技有限公司的uInterv-C550主从穿刺机器人已取得国家药品监督管理局认证，在多个临床领域填补了国内技术空白，加速了经皮穿刺手术机器人的国产化进程[28]。

（二） 康复机器人

康复机器人指专门设计和制造用于康复治疗的机械设备或机器人系统。多基于神经可塑性理论[29]、运动再学习理论、镜像神经元理论[30]进行康复机器人的设计研发，支持患者恢复或改善受损的身体功能。康复机器人具有机械设备的固有优势，可以进行高强度、高重复性的训练，将医师从繁重、反复的训练中解脱出来。利用康复机器人配置的各类传感器，测量患者的运动学、动力学、生理学数据，促进康复方案的优化改进。设计交互式系统，激励患者主动运动意愿，增加康复训练趣味性，提高患者康复信心，改善康复效率和效果[31]。

康复机器人研究始于20世纪50年代，起初主要用于肢体残疾者辅助自我行动。随着康复医学理论的发展，相关研究从康复护理转向了康复训练机器人，重点关注大脑运动功能的恢复和重塑。美国麻省理工学院研制的MIT-MANUS是首个真正进入临床应用的康复机器人，通过末端把手牵引患者的上肢进行运动，实现肩部及肘部的康复训练。随后，康复机器人的形态从末端执行器发展到外骨骼式，针对的康复部位也从上肢发展到下肢再到手部、踝关节、膝关节等[32]。近年来，随着AI技术、神经科学的发展，康复机器人成为脑机接口的主要应用载体，如解码患者运动意图后驱动外骨骼机器人／电刺激[33]以实现主动康复[34]，基于脑电信号构建语言假体为患者“恢复”说话、写字等能力[35,36]。尽管康复机器人发展较快，但机械关节与生物关节不匹配、感知能力弱、自主学习能力缺乏、康复疗效预测不足等问题依然存在，制约了康复机器人的舒适性和智能化水平[37,38]。相关研究主要从具身智能、康复理论两个方面开展：前者体现在变构形设计、多模态感知与融合、自主学习、康复疗效评估预测等，后者体现在运动 ‒ 认知协同康复、应用脑机接口后的康复作用机制等。

设计变构形机构，提高康复机器人的机械关节与生物关节的匹配性[39]，改善康复机器人应用的舒适度。同步测量脑电、肌电、运动信号等多模态信号，分析康复过程中患者的神经活动、肌肉收缩、肢体运动生理参数，支持康复训练状态的动态监测和状态识别[40]。建立“脑 ‒ 肌 ‒ 动 ‒ 机”人机交互接口与闭环控制策略[41]，实现多模态感知与融合的自然人机交互控制[42]，提升康复机器人的智能化水平。应用虚拟现实技术设计虚拟场景，支持患者在虚拟场景中与其他元素进行实时交互；在康复训练中通过视觉、听觉等感官刺激反馈并与精准触觉反馈[43]融合，加强患者的协同控制能力，提高康复过程的趣味性，增强患者的主动参与度并扩充训练信息。构建闭环控制的脊髓电刺激系统，与多种康复机器人进行集成，根据步态或骑行节律来精确控制电刺激模式，使肌肉收缩更接近自然步行状态，增强自主运动能力，减少对机器人辅助的依赖[44]。此外，基于新型康复理论的升级版康复机器人技术、减小康复机器人质量、增加电池的续航能力、降低设备成本、提高对不同病理情况的适应性等，也是康复机器人发展的重要方面。

（三） 诊断机器人

诊断机器人是一种协助医生进行健康监测和疾病诊断的机器人系统，融合了机器学习、机器视觉、传感器、AI技术等，依托大量的医学数据即可快速且准确地为医生提供诊断支持，主要分为微型体内机器人、结合AI技术的诊断系统。20世纪70年代，英国利兹大学开发了用于腹部剧痛辅助诊断的AAPHelp系统。随后，美国斯坦福大学开发的用于感染病诊断的MYCIN、哈佛医学院研发的DX plain、Open Clinical公司研发的Quick Medical Reference等，也是代表性的诊断机器人。当前，AI、深度学习等技术发展迅速，诊断机器人处理医学数据的能力大幅提升，为智能诊断提供了重要支持，在医学影像分析、治疗方案优化、个性化治疗、基于电生理信息的疾病诊断等方面都取得了显著进步。

微型体内机器人以胶囊机器人最具代表性。胶囊机器人通过口服方式抵达胃肠道病灶区域并实施医疗功能，支持胃肠道疾病的无痛无创诊疗，具有较好的患者依从性。2001年胶囊机器人开始商业化，随后成为小肠全面筛查的“金标准”，广泛应用于胃肠道疾病的诊断。尽管胶囊机器人在使用便利性、诊断敏感性等方面具有优势，但面向小型化、功能化的应用需求，受制于有限的胶囊空间结构、复杂的胃肠道环境，相应的本体结构设计、主动运动能力、定位导航能力等均面临技术挑战。可通过内部磁化结构设计、外部驱动策略[45]，提升胶囊机器人的环境适应性与定位精度。

在结合AI技术的诊断系统方面，医学影像分析是主要的应用场景，AI表现出超越人类专家的水平[46]。诊断机器人在学习大量的影像数据后，即可自动识别微小病变并给出更精准的诊断结果；基于深度学习算法进行医学图像超分辨率重建，能够显著提升医学图像清晰度、诊断效率与准确率[47]。依据患者的基因信息，评估对特定化疗药物的敏感性，为医生提供优化的治疗方案建议[48]；借助强化学习方法并根据患者的反馈信息，实时调整药物剂量和治疗方案，提升治疗的个性化与有效性。诊断机器人可作为患者的“健康助手”，定期监测病情变化，提醒患者按时服药，给予生活方式指导[49]；通过自然语言处理来分析患者的医疗记录，提取患者的症状、病史等信息，为疾病诊断提供支持[50]。在功能性检测方面，诊断机器人配置生化传感器以及心电图、脑电图等传感技术，实时采集患者生理数据[51]，基于AI技术快速识别潜在的疾病风险[52]。当然，诊断机器人仍存在数据依赖问题，加之高质量标记数据获取难度大、多模态感知数据融合精度不足，需要探索与专业领域知识深度结合的迁移学习、深度学习等方法。

（四） 其他医用机器人

其他医用机器人主要执行非治疗性医疗任务，涵盖辅助与护理、消毒与清洁等类型；依托智能化技术，可替代人工完成辅助性医疗工作，有效提高医疗服务效率并增强安全性，也促使机器人技术从手术等核心治疗场景朝着全流程服务延伸，加快医疗机器人的标准化进程。

在消毒机器人方面，韩国HD现代机器人公司的D1防疫机器人采用“等离子+短波紫外线（UVC）”混合消毒方案，释放的臭氧浓度远低于安全标准（0.001 7 ppm），在重症加强护理病房、负压病房中得到广泛应用[53]；上海工博士人工智能科技有限公司的锐曼消毒服务机器人将UVC与喷雾量控制相结合，高质量执行消毒作业[54]。在患者转运场景中，医用转运机器人通过运载机械臂实现病床、手术台、计算机断层扫描仪（CT）之间的无接触转运[55]。饮食护理机器人用于辅助失能患者进食，通过多种机械臂组合执行喂食动作，在护理机构中的应用比例逐年提升[56]。物资配送机器人融合移动通信、AI、无人驾驶技术，可分区搭载多类物资，在激光雷达、三维视觉传感器的支持下进行跨楼层自主避障配送，提升配送效率[57]。

三、 医疗机器人关键技术研究进展

医疗机器人是机械工程、医学影像技术、AI、生物医学工程、通信技术等学科深度渗透与协同创新的前沿交叉领域，相应技术体系始终契合临床诊疗精准化、微创化、智能化发展诉求，兼顾人机友好交互、诊疗流程高效化、医疗资源可及性优化等多重目标。从技术实现的逻辑角度来看，医疗机器人技术体系可解构为六大核心功能模块，即结构设计技术、运动控制技术、感知反馈技术、信息处理与导航技术、远程通信与人机交互技术、AI辅助诊疗技术；各个功能模块具有明确的独立技术定位，再通过“硬件载体 ‒ 感知输入 ‒ 控制执行 ‒ 智能优化 ‒ 交互输出”的技术链路进行有机耦合。这种多模块协同的技术体系，为微创手术、远程诊疗、复杂病症介入等新型医疗模式的临床转化提供了关键支撑，也通过多类技术的深度融合推动医疗机器人从被动辅助操作工具向主动智能诊疗系统转型，对突破传统医疗技术瓶颈、提升临床诊疗质量及效率具有重要价值。

（一） 结构设计技术

医疗机器人的结构设计需平衡临床需求与工程约束，是连接机械性能与医疗目标的关键载体。区别于工业机器人以生产效率为导向的设计目标，医疗机器人应采取以安全为核心的设计思路，致使相应结构设计在材料选择、交互特性、运动特性、集成逻辑方面与工业机器人之间存在显著差异。医疗机器人的结构设计侧重满足空间拓扑的场景适配、材料 ‒ 构型的协同优化、交互安全的约束保障3个维度的需求。

在空间拓扑的场景适配方面，重点关注操作空间的体积对医疗机器人结构设计的约束，确保机器人在受限的工作空间内开展有效的操作，避免与操作边界产生交互。相应的技术难点在于受限空间内具有足够的姿态可控性与力传导能力，同时避免对周围组织的碰撞或牵拉。为了适应消化道尺寸的约束，开发的柔性手术机器人采用折叠式气囊驱动结构，压缩状态下直径为14 mm、长度为110 mm，满足肠道狭窄空间的通过性要求[58]。在机器人腹腔镜手术领域，设计的微创手术器械采用丝传动方案，支持狭小空间范围内的多自由度关节驱动[59]。

在材料 ‒ 构型的协同优化方面，传统的刚性连杆结构在复杂软组织环境中容易造成损伤，而柔性结构面临力输出不足、形变耦合控制困难的问题。相关研究热点集中在智能软体材料、构型设计。柔性软体材料在术前摆位、术中环境适应、特殊医疗场景功能实现等方面可发挥重要作用。利用模块化与可调节特性，医疗机器人的术前摆位更适配个性化解剖差异，通过材料的弹性形变与刚度可调功能来快速匹配不同患者的体型、脏器位置变异。软体材料的生物相容性和动态形变能力是提升医疗机器人与机体适配性的基础，因质地柔软而可模拟人体组织的力学特性，减少器械与软组织的刚性碰撞。针对小儿外科、神经外科等特殊领域的高要求，利用软体材料的低侵入性与高安全性，匹配特殊医疗场景下对器械的严苛要求，有望拓展医疗机器人在高难度、高风险领域的应用边界。例如，采用镍钛诺管制造柔性弯曲段，在两根内置肌腱驱动下进行双向弯曲，实现狭窄空间内的大曲率运动能力[60]；针对普外科脏器抓取、组织牵拉等操作需求，提出了基于蜂巢结构的颗粒阻塞变刚度软体“手指”，具有良好的形状适应性与承载能力[61]。当然，软体材料的材料 ‒ 构型协同优化仍面临诸多挑战，核心难点在于建立材料非线性特性、结构变形、控制策略之间的统一模型。

在交互安全的约束保障方面，主要通过改进结构来实现使用者与机器人交互的界面安全。例如，在手术机器人系统中整合机械硬限位与虚拟边界约束，运用关节角度传感器、物理挡块的双重控制，在模型验证中实现无碰撞操作[62]；通过传动冗余、多根超弹性镍钛合金结构骨的冗余布置，确保单根结构骨断裂时机器人仍具有维持负载能力[63]。该技术的发展趋势是构建“结构本体安全 ‒ 传感融合 ‒ 智能约束”的多层级安全体系，促成医疗机器人在临床使用中的安全可靠。

（二） 运动控制技术

机器人运动控制技术泛指通过智能算法、驱动系统的协同，实现医疗机器人精准轨迹跟踪、动态稳定、环境自适应的核心技术体系，支持微创手术、介入治疗、康复辅助等医疗操作的性能提升。与工业机器人强调重复精度不同，医疗场景中更关注安全约束下的柔顺交互与动态响应，因而运动控制系统需在组织复杂性、手术柔顺性、非线性动态约束下精准映射操作者的意图与生理环境。

运动控制涉及高精度轨迹规划与生成、动态响应与抗干扰控制、人机交互与环境自适应控制三方面。① 高精度轨迹规划与生成主要指机器人在手术场景中对连续平滑路径的预演及优化。相关技术难点是在动态、受限、非结构化的手术环境中同时满足组织避障、微创路径、器械冗余约束的要求。针对复杂手术任务提出了适用于6个自由度机器人器械的集成规划与控制框架，利用节点状态空间表示机器人状态，确保了每个过程中的轨迹都是全局可行的[64]。② 动态响应与抗干扰控制主要指机器人在术中操作时对组织反作用力等外部扰动的实时抑制与姿态修正。在毫秒级响应周期内精确估计外力并稳定控制器输出，确保操作柔顺与稳定是研究前沿。采用带有不确定性观测器、基于李雅普诺夫方法的改进型控制策略，实现外力干扰下精确的轨迹跟踪[65]。③ 人机交互与环境自适应控制主要指机器人通过阻抗调节实现与手术环境的柔顺适配。建立涉及“机器人 ‒ 组织 ‒ 操作者”的动态模型，实现跨模态信息在控制层的实时融合是研究挑战。设计遥操作超声机器人的共享柔顺控制系统，融合主／从人机共享控制方法，以更好适应人体腹部的变化环境，确保待测者的身体安全并可应对可能的突发情况[66]。

运动控制还包含力 ‒ 位混合控制，通过伺服电机与力传感器的闭环反馈，直接向执行端输出优化后的力矩／位置指令，使手术机器人在人体组织中操作的同时满足轨迹精度与力安全约束，提高手术操作的动态性能和鲁棒性[67]。相关功能的实现依赖多模态状态感知为运动控制提供关键状态信息。关节编码器与惯性测量单元的融合定位、器械末端接触力与组织特征的关联分析、历史操作序列的趋势预测等，是医疗机器人动态控制的主要研究方向。

（三） 感知反馈技术

感知反馈技术泛指通过位置传感器、力传感器、视觉传感器等传感模块，实现位置、交互、环境等多模态信息的监测与反馈，支持医疗机器人的高阶力／运动状态控制。感知可分为3个层面：医疗机器人的精确感知和信息提取，主要指医疗机器人在介入场景过程中对自身形态的感知；人的精确感知和信息复现，主要指医生在利用器械对组织进行操作过程中的质地感觉和力触觉感知；环境感知多维信息融合，主要指通过场景态势感知来延伸人眼的观察能力。

力感知／力传感是感知反馈的核心共性技术，尤其是基于触觉传感器的力信息采集技术，能够克服基于数学／物理模型间接估计带来的精度隐患。其中，光纤布拉格光栅（FBG）传感器凭借微型化封装、良好的生物相容性、电磁免疫等特性，成为手术机器人原位力感知技术方面的研究热点。当然，FBG传感器在测量误差、系统复杂度等方面仍存在技术瓶颈，可通过传感结构创新、封装工艺改进、精度校准方法及智能算法优化来进一步提升力感知系统的性能和可靠性[68]。柔性传感器性能优异、易贴合不规则表面，出现了压阻式、电容式、压电式、磁学式、光学式等方案[69]。聚合物光波导触觉传感器具有优异的柔韧性，可以解决传感器与曲面集成的兼容问题，也是触觉感知的研究前沿。例如，折射式光波导触觉传感器的弯曲角度分辨率远高于薄膜式传感器，安装在手套上可实现关节弯曲角度探测、关节受力探测[70]。

在感知下游，手术机器人“力”链条中还包括力反馈技术，通过触觉反馈装置[71]直接向操作者施加感知端的“力”，使手术机器人通过传感器感知“力”并实时反馈给操作者；模拟医生手感，建立本体感知，实现人机协同闭环的操作控制，提高操作的精度和安全性，避免过度施力造成的损伤。视觉感知对于提供高清手术视野、空间定位等至关重要，术前影像与术中实时影像的配准融合、手术视野上叠加力与组织硬度分布等信息的增强现实、深度信息感知等，是视觉反馈的核心技术因素。

医疗机器人触觉、力觉的感知能力趋向精细，如北京通用人工智能研究院、北京大学、英国伦敦大学等联合研制的F-TAC Hand[72]是国际上首个兼具全手高分辨率触觉感知、完整运动能力的机器手系统，在不影响灵活性的前提下解决了触觉覆盖、运动自由的矛盾，提供了超越人类手部稳定性的操作能力。多模态感知信息融合也是研究热点，香港中文大学的RoboNurse-VLA手术护士机器人[73]融合了“视觉 ‒ 语言 ‒ 动作”感知信息，展现出良好的环境适应性和任务泛化能力。可以预判，感知反馈技术的发展将使医疗机器人在精细复杂的医疗场景中更加安全、智能地辅助医生甚至自主完成操作。

（四） 信息处理与导航技术

信息处理与导航技术泛指通过多源数据融合算法与空间定位系统的协同，实现手术场景精准建模、器械实时追踪、路径动态更新的核心技术体系，支持提升微创外科、介入放射、神经外科等高精度医疗操作的精准度。信息处理与导航涉及三方面：多模态医学影像处理与三维重建，主要指在术前规划阶段对CT、核磁共振成像等影像数据的分割、配准以及解剖结构的三维可视化[74]；术中实时信息融合与状态估计，主要指在手术过程中对超声、内镜等实时影像与器械位置信息的时空校准及动态整合[75]；基于解剖约束的路径规划与导航，主要指在规避重要血管神经的前提下为机器人器械生成最优操作路径[76]。其中，影像引导与空间定位的融合是核心共性技术，高精度定位技术性能优异、可实现亚毫米级空间追踪，出现了光学定位、电磁定位、机械臂协同定位等方案，为手术器械的实时导航提供重要保障。此外，定位导航技术中还包括动态路径修正，即通过术中实时影像反馈与术前规划模型的比对分析，自动调整机器人运动轨迹，使手术机器人在组织移位等突发情况下保持操作精度，建立“影像 ‒ 定位 ‒ 执行”的闭环导航[77]。

信息处理与导航技术的发展趋势为全息感知、智能预测、多模态决策融合，即在统一时空框架下实现从影像信息到操作策略的深度联动。在具有实时学习能力的导航系统支持下，医疗机器人可在复杂的解剖环境中实现自适应导航与精准干预，推动从辅助执行迈向智能辅助决策的新应用阶段。

（五） 远程通信与人机交互技术

远程通信与人机交互技术泛指通过低延迟网络传输协议与自然人机接口的协同，实现跨空间手术指令传递、操作意图精准解读与实时状态反馈，支持提升远程手术等跨地域医疗操作能力。远程通信与人机交互涉及三方面：高可靠的远程数据传输，主要指手术机器人在远程操作过程中对高清影像、力反馈信号等关键数据的实时且无丢包传输；自然人机意图交互，主要指医生通过操作手柄、眼动追踪等设备将手术操作意图精准传递给机器人；多模态状态反馈呈现，主要指将机器人的操作状态、组织响应等信息通过视觉和触觉等方式实时反馈给医生[78]。其中，低延迟远程通信协议与意图识别算法的融合是核心共性技术。此外，操作意图的精准捕捉依赖高精度的人机交互设备，在商业化的手术机器人医生操作台以外，力反馈操作手柄、肌电传感器、眼动仪等也为实施远程手术提供了可行方案[79]。

在真实的远程手术场景中，双向实时交互控制技术至关重要，通过远程通信链路与本地人机接口的闭环协同，实现医生操作意图与机器人执行动作的实时匹配；支持远程医疗机器人在跨空间场景下保持与本地操作一致的响应精度，实现“远程指令 ‒ 本地执行 ‒ 状态反馈”的闭环交互，提高远程手术的操作可靠性和安全性[80]。此外，自适应交互参数调节为复杂场景下的人机协同提供了关键支持，基于医生操作习惯的交互参数个性化调整、根据手术难度的反馈强度进行动态适配、结合网络状态的传输策略开展实时优化，是远程人机交互的核心构成[81,82]。

（六） 人工智能辅助诊疗技术

AI辅助诊疗技术泛指应用机器学习、深度学习、强化学习、联邦学习、生成对抗网络等算法，基于海量的多模态数据实现对复杂规律的挖掘与预测，为疾病诊断、临床治疗等提供辅助。AI辅助诊疗技术已贯穿诊疗全过程并延伸至手术机器人路径规划[83]、临床试验优化、药物研发等场景，形成了以数据驱动、算法突破、场景延拓为支柱的技术体系。AI技术赋能医疗机器人，形成精准采集、多模态感知及融合、智能分析与诊断、自主学习、自适应等能力，深度分析患者数据并实现个性化管理，提升医疗机器人诊疗的准确性与全面性[84]。

医学影像分析是AI在医学领域中最先应用的场景之一。AI辅助医学影像分析已在肿瘤科、皮肤科、心血管内科等专科获得应用，通过卷积神经网络、Transformer、生成对抗网络等模型架构精准分析多模态医学图像，从大量病例中寻找出患者的疾病模式及变化规律[50]。近年来，自然语言处理在AI辅助诊疗方向应用迅速，依赖高质量的医学语料库和先进的算法模型来处理非结构化的医疗文本数据。利用已有的医学知识与专家经验，搭建知识图谱和大模型[85]，辅助医疗机器人进行更精准的智能辅助诊疗，为患者提供个性化的健康管理服务；在医护端，生成式对话模型实现了语音转文字、长句自动拆解等功能，辅助医生与患者的沟通交流、智能问诊，搭建的医学知识图谱显著提高了医疗服务效率[86]。此外，强化学习为提升手术机器人的智能化能力提供强大支持，可提高植入物定位的准确性、减少术中出血、提高神经保留率。

AI辅助诊疗技术已从只出结果的“黑箱”技术逐步朝着“结果与逻辑”并重的方向发展，如苏州大学附属第一医院、西湖大学联合发布的临床级多模态病理大模型SooPathAI，初步实现了可解释的辅助诊疗。AI辅助诊疗技术也逐步从解决单一任务扩展到涵盖疾病筛查、诊断、预后评估、随访的全流程，有望重塑医学研究范式，提升医疗服务的精准性与可及性。未来，在可解释AI、联邦学习等技术的支持下，AI辅助诊疗技术将迈向更高阶的人机协同。

四、 医疗机器人关键技术突破方向

（一） 智能化与自主化

智能化与自主化是推动医疗机器人从操作工具迈向智能助手的核心路径。传统的医疗机器人仅能执行预设动作，无法理解病理语境，难以动态应对复杂场景，具体操作依赖医生经验，制约应用效率与精准度。得益于AI、具身智能、大模型技术的进步，医疗机器人逐步具备了认知推理与自主规划能力，有望在影像辅助诊断、精准手术、康复评估等场景中实现自主决策。智能化与自主化的发展能够提升医疗的安全性与标准化水平，将助力优质医疗资源均衡分布，促进医疗体系的均衡化与智能化转型。

智能化与自主化发展面临算法泛化能力不足、数据隐私保护能力缺失、伦理边界不明等主要挑战。① 在算法层面，现有模型多依赖典型病例训练。以机器人腔镜手术为例，模型对罕见病、解剖结构变异等特殊临床场景的样本覆盖不足，易出现操作路径规划偏差；难以实时适配术中组织水肿、肠管意外蠕动等动态变化，导致精细操作时的精度波动。② 在数据层面，不同医疗机构的影像数据、手术视频等的存储格式与标注标准不统一，导致跨平台整合训练难度较大。肿瘤病理、基因检测等敏感数据受隐私法规的严格约束，即便采用隐私计算技术，也难以在保障数据安全的同时兼顾训练效率，如多中心联合训练中病理切片数据的加密传输与并行计算易出现延迟。③ 在伦理与实践层面，自主决策的权限边界缺乏明确界定，如医疗机器人自主识别微小出血点后，是否可直接启动止血操作尚未形成行业规范。相关责任认定体系不完善，若术后并发症源于算法对病灶的误判、医生对机器人操作的监督缺失、设备硬件出现故障，现有法律与伦理框架难以明确追责主体，不利于临床推广应用。

后续，可建立动态联邦学习与差分隐私机制，贯通多中心数据协作渠道，保持算法的持续优化与泛化。构建具备因果推理与意图识别能力的认知决策模型，提升医疗机器人在复杂场景下的自主应变水平。建立跨学科伦理审查机制、可追溯责任体系，利用区块链技术记录决策过程，支持“技术可信 ‒ 伦理可控 ‒ 责任可查”的闭环治理。以上述进步为基础，推动医疗机器人向高可靠性、人机共融的智能辅助决策主体演进。

（二） 小型化与柔性化

小型化与柔性化是医疗机器人适应人体复杂结构、降低术中创伤风险的关键举措。随着微创、介入等手术的普及，医疗机器人需要在血管、腔道、脏器等狭小空间中精确操作，而传统的刚性机构无法满足此类临床需求。小型化的结构设计可提高操作可达性与空间利用率，柔性化材料应用能有效减少组织损伤并增强运动顺应性，两方面结合将推动医疗机器人从体外操控迈向体内智控，显著提升微创诊断与治疗的技术水平。

小型化与柔性化的核心难题在于微型驱动效率衰减、柔性结构感知精度下降、能源供给受限。当机器人尺度缩小后，传统的电机或液压驱动方式不再满足常规解剖结构的操作力需求，柔性机构在复杂形变过程中易产生非线性响应而影响定位与力反馈的精度，体内无线供能与能量管理技术尚不成熟而难以支撑长时间、高强度的腔内作业。此外，微纳制造精度、材料生物相容性、系统集成密度等方面的能力受限，也制约着小型化医疗机器人的工作稳定性与可靠性。

后续，可从材料、驱动、感知、能源4个方面进行协同攻关。研发磁驱动、光驱动、声场驱动等新型微驱动技术，提升医疗机器人的能效密度。采用液态金属、可编程柔性材料，优化医疗机器人的结构弹性与可控性。集成高灵敏的柔性应变与压力传感网络、自适应补偿算法，实时校正医疗机器人的形变。突破高效的无线能量传输与微型能源单元技术，构建体内能源闭环系统。通过多物理场耦合设计、智能控制协同，实现体内精准且安全的微创操作。

（三） 交互多模态化与远程化

交互多模态化与远程化是扩大优质医疗资源共享范围、提升人机协同水平的重要手段。传统的医疗机器人在操作过程中依赖视觉和机械输入，难以全面捕捉医生的操作意图和患者的生理状态。整合视觉、语音、触觉、生理等多模态信号并进行融合交互，可实现信息的多维感知与多模态反馈，使操作医疗机器人更具沉浸感。结合应用远程网络技术，将有效打破地域限制，支持专家开展跨区域的精准操作，由此显著提升医疗公平性与应急响应能力，加快构建智慧医疗体系。

多模态交互系统面临信息冲突、模态歧义、网络时延等问题。不同模态的信息之间可能存在异步与噪声干扰，会造成医疗机器人误判手术状态，导致意图解读错误。在远程通信中，端到端通信延迟和丢包会造成医疗机器人动作的畸变与操作状态的滞后感知，影响手术精度与安全。医疗数据在传输过程中存在隐私泄露与网络攻击风险。当前的多模态融合算法难以应对复杂手术环境下的动态变化，在实时性与鲁棒性方面尚不足以满足医疗场景的严苛需求。

后续，可构建基于注意力机制的多模态融合模型，实施对不同感知通道权重的动态分配，提高意图识别的准确性。采用超低时延通信、边缘计算、云端协同架构，降低远程操作时延并提升实时响应能力。结合运用端到端加密与区块链存证技术，确保数据传输安全与决策可追溯。发展具有自学习和语义理解能力的交互系统，使医疗机器人的多模态感知、智能协同、安全通信能力获得系统性突破。

（四） 系统集成化与生态协同

系统集成化与生态协同标志着医疗机器人从单机智能向群体智能与系统化医疗生态演进的新阶段。当前的医疗机器人多为单一功能设备，缺乏跨系统协作与信息共享能力，难以适应复杂临床场景需求。通过系统集成化，可实现手术、康复、护理等模块的统一调度与协同；通过生态协同，可形成涉及医生、机器人、数字孪生模型的实时互动网络，推动医疗机器人成为智慧医院基础设施的重要组成部分。

系统集成化方面的主要问题是异构设备之间的协议不兼容、数据互操作性差、控制系统协同效率低、多机器人协作稳定性不足。不同厂商设备的数据接口与控制逻辑缺乏统一标准，难以实现无缝互联。群体机器人之间的协同规划与任务分配算法复杂度高，尚不具备安全协同的基本条件。系统化运行对算力资源、实时监控等要求严苛，在保证安全性的前提下开展高效调度与资源共享仍是难题。

后续，可构建开放式医疗机器人操作系统、标准化接口协议，支持软硬件解耦与跨平台协同。发展基于分布式控制与强化学习的群体智能算法，提升多机器人协作的效率与稳定性。结合数字孪生与云边融合架构，建立虚实同步的动态感知与预测控制能力。建立跨产业生态联盟，推动医疗数据的标准化，形成设备互认证与数据互信机制。通过技术标准化、系统智能化的共同驱动，培育覆盖诊疗、康复、护理全流程的智能医疗机器人协同生态。

五、 结语

本文系统梳理了医疗机器人的应用现状与关键技术研究进展，辨析了医疗机器人在全球高端医疗装备竞争中的重要地位以及支撑医疗行业新质生产力形成的核心价值。手术机器人、康复机器人、诊断机器人、其他医用机器人已实现多场景临床应用，国内相关产品依托技术进步逐步打破了国外企业的市场垄断地位，在腔镜手术、脊柱康复、影像诊断等领域构建了较为成熟的应用范式。结构设计、运动控制、感知反馈、信息处理与导航、远程通信与人机交互、AI辅助诊疗等关键技术构成了医疗机器人的核心技术框架，智能化与自主化、小型化与柔性化、交互多模态化与远程化、系统集成化与生态协同等成为未来医疗机器人关键技术突破方向。相关研究成果厘清了医疗机器人技术发展脉络与整体态势，为构建自主可控的医疗装备产业体系、提升医疗科技核心竞争力提供了理论支撑与决策参考。

面向未来，医疗机器人朝着“技术深度融合 ‒ 临床深度适配 ‒ 产业深度协同”的方向加速演进。在技术层面，AI、脑机接口、新一代移动通信等前沿技术与医疗机器人的跨领域融合更趋紧密，推动智能辅助决策算法、柔性驱动材料、多模态交互系统等瓶颈环节的持续突破，支持实现“感知 ‒ 决策 ‒ 执行”全链条的智能化升级。在临床层面，将从单一治疗场景向“预防 ‒ 诊断 ‒ 治疗 ‒ 康复 ‒ 护理”全流程延伸，助力形成个性化、精准化、普惠化的医疗服务新模式，促进优质医疗资源均衡分布，更好适配老龄化社会的健康需求。在产业层面，通过标准化体系构建、跨机构数据协同、“产学研用”生态整合，破解异构设备兼容、数据安全共享等行业痛点，推动医疗机器人从单机产品向系统化、网络化的智慧医疗基础设施转型。随着技术创新与产业生态的持续完善，医疗机器人将成为“健康中国”战略实施的核心支撑力量，为全球医疗健康产业的变革与发展注入持续动力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Beasley R A. Medical robots: Current systems and research directions [J]. Journal of Robotics, 2012: 401613.
[2]

VDMA Services GmbH. World robotics 2024—Service robots [EB/OL]. [2025-12-10]. https://ifr.org/img/worldrobotics/Sources___Methods_WR_2024_Service_Robots.pdf.
[3]

耿熙坪, 屈航, 闫灵均, 国内外医疗机器人产业发展现况分析 [J]. 中国医学装备, 2025, 22(1): 82‒89.
[4]

Geng X P, Qu H, Yan L J, et al. Analysis on the development status of medical robot industry at home and abroad [J]. China Medical Equipment, 2025, 22(1): 82‒89.
[5]

黎文娟, 马泽洋, 曾磊, 国内外医疗机器人发展现状及趋势 [J]. 机器人产业, 2022 (6): 72‒86.
[6]

Li W J, Ma Z Y, Zeng L, et al. Development status and trend of medical robots at home and abroad [J]. Robot Industry, 2022 (6): 72‒86.
[7]

Marescaux J, Leroy J, Gagner M, et al. Transatlantic robot-assisted telesurgery [J]. Nature, 2001, 413(6854): 379‒380.
[8]

Hashizume M, Tsugawa K. Robotic surgery and cancer: The present state, problems and future vision [J]. Japanese Journal of Clinical Oncology, 2004, 34(5): 227‒237.
[9]

Ballantyne G H. Robotic surgery, telerobotic surgery, telepresence, and telementoring [J]. Surgical Endoscopy and Other Interventional Techniques, 2002, 16(10): 1389‒1402.
[10]

Moschovas M C, Bhat S, Sandri M, et al. Comparing the approach to radical prostatectomy using the multiport da Vinci XI and da Vinci SP robots: A propensity score analysis of perioperative outcomes [J]. European Urology, 2021, 79(3): 393‒404.
[11]

Corcione F, Esposito C, Cuccurullo D, et al. Advantages and limits of robot-assisted laparoscopic surgery: Preliminary experience [J]. Surgical Endoscopy and Other Interventional Techniques, 2005, 19(1): 117‒119.
[12]

Robotic-assisted surgery with da Vinci systems [EB/OL]. [2025-12-10]. https://www.intuitive.com/en-us/patients/da-vinci-robotic-surgery.
[13]

Chu G D, Yang X C, Zhang X, et al. Innovative integration of robotic-assisted laparoscopic telesurgery and quantum cryptography communication in urology: Clinical application and initial experience [J]. The International Journal of Medical Robotics + Computer Assisted Surgery, 2025, 21(1): e70028.
[14]

Zhang Z P, Zhan W P, Tian H W, et al. An initial exploratory clinical study and outcome assessment of gastrointestinal surgeries using advanced robotic-assisted techniques [J]. Surgical Endoscopy, 2025, 39(2): 766‒775.
[15]

Wang H L, Dong Z Y, Gupta R, et al. Perioperative outcomes of robot-assisted partial nephrectomy with MP1000 surgical system vs da Vinci XI surgical system and evaluation of the MP1000 learning curve [J]. Journal of Endourology, 2025, 39(10): 1018‒1027.
[16]

Yi J F, Gao Z S, Huang Y J, et al. Evaluating the accuracy of a new robotically assisted system in cadaveric total knee arthroplasty procedures [J]. Journal of Orthopaedic Surgery and Research, 2024, 19(1): 354.
[17]

Saeedi-Hosseiny M S, Rothenberg H G, Jadallah A L, et al. The impact of robotic surgery on reducing radiation exposure in orthopedic trauma: A meta-analysis [J]. Journal of Robotic Surgery, 2025, 19(1): 319.
[18]

Samprón N, Lafuente J, Presa-Alonso J, et al. Advancing spine surgery: Evaluating the potential for full robotic automation [J]. Brain & Spine, 2025, 5: 104232.
[19]

Lu Q, Sun Z J, Zhang J L, et al. A novel remote-controlled vascular interventional robotic system based on hollow ultrasonic motor [J]. Micromachines, 2022, 13(3): 410.
[20]

Zhao Y, Mei Z Y, Luo X X, et al. Remote vascular interventional surgery robotics: A literature review [J]. Quantitative Imaging in Medicine and Surgery, 2022, 12(4): 2552‒2574.
[21]

Gunduz S, Albadawi H, Oklu R. Robotic devices for minimally invasive endovascular interventions: A new dawn for interventional radiology [J]. Advanced Intelligent Systems, 2021, 3(2): 2170021.
[22]

Britz G W, Panesar S S, Falb P, et al. Neuroendovascular-specific engineering modifications to the CorPath GRX robotic system [J]. Journal of Neurosurgery, 2019, 133(6): 1830‒1836.
[23]

Durand E, Sabatier R, Smits P C, et al. Evaluation of the R-One robotic system for percutaneous coronary intervention: The R-EVOLUTION study [J]. EuroIntervention, 2023, 18(16): 1339‒1347.
[24]

Fernandez-Bussy S, Chandra N C, Koratala A, et al. Robotic-assisted bronchoscopy: A narrative review of systems [J]. Journal of Thoracic Disease, 2024, 16(8): 5422‒5434.
[25]

de Moura D T H, Aihara H, Jirapinyo P, et al. Robot-assisted endoscopic submucosal dissection versus conventional ESD for colorectal lesions: Outcomes of a randomized pilot study in endoscopists without prior ESD experience [J]. Gastrointestinal Endoscopy, 2019, 90(2): 290‒298.
[26]

Yang X X, Fu S C, Ji R, et al. A novel flexible auxiliary single-arm transluminal endoscopic robot facilitates endoscopic submucosal dissection of gastric lesions [J]. Surgical Endoscopy, 2022, 36(7): 5510‒5517.
[27]

Ji R, Yang J L, Yang X X, et al. Simplified robot-assisted endoscopic submucosal dissection for esophageal and gastric lesions: A randomized controlled porcine study [J]. Gastrointestinal Endoscopy, 2022, 96(1): 140‒147.
[28]

Gauhar V, Giulioni C, Gadzhiev N, et al. An update of in vivo application of artificial intelligence and robotics for percutaneous nephrolithotripsy: Results from a systematic review [J]. Current Urology Reports, 2023, 24(6): 271‒280.
[29]

Hsu P K, Chuang L C, Wu Y C. Electromagnetic navigation-guided preoperative localization of small malignant pulmonary tumors [J]. The Annals of Thoracic Surgery, 2020, 109(5): 1566‒1573.
[30]

段星光, 何睿, 温浩, 穿刺手术机器人技术发展综述 [J]. 机器人外科学杂志(中英文), 2025, 6(7): 1069‒1079.
[31]

Duan X G, He R, Wen H, et al. Review of the development of percutaneous surgical robot [J]. Chinese Journal of Robotic Surgery, 2025, 6(7): 1069‒1079.
[32]

Doidge N. The brain that changes itself: Stories of personal triumph from the frontiers of brain science [M]. London: Penguin Books, 2007.
[33]

Rizzolatti G, Fadiga L, Gallese V, et al. Premotor cortex and the recognition of motor actions [J]. Cognitive Brain Research, 1996, 3(2): 131‒141.
[34]

丁逸苇, 涂利娟, 刘怡希, 可穿戴式下肢外骨骼康复机器人研究进展 [J]. 机器人, 2022, 44(5): 522‒532.
[35]

Ding Y W, Tu L J, Liu Y X, et al. Progress of wearable lower-limb exoskeleton rehabilitation robots [J]. Robot, 2022, 44(5): 522‒532.
[36]

Reinkensmeyer D J, Marchal-Crespo L, Dietz V. Neurorehabilitation technology [M]. Cham: Springer Cham, 2016.
[37]

Lorach H, Galvez A, Spagnolo V, et al. Walking naturally after spinal cord injury using a brain-spine interface [J]. Nature, 2023, 618(7963): 126‒133.
[38]

Biasiucci A, Leeb R, Iturrate I, et al. Brain-actuated functional electrical stimulation elicits lasting arm motor recovery after stroke [J]. Nature Communications, 2018, 9: 2421.
[39]

Willett F R, Kunz E M, Fan C F, et al. A high-performance speech neuroprosthesis [J]. Nature, 2023, 620(7976): 1031‒1036.
[40]

Willett F R, Avansino D T, Hochberg L R, et al. High-performance brain-to-text communication via handwriting [J]. Nature, 2021, 593(7858): 249‒254.
[41]

Mashayekhi H, Nazari M, Jafarinejad F, et al. Deep reinforcement learning-based control of chemo-drug dose in cancer treatment [J]. Computer Methods and Programs in Biomedicine, 2024, 243: 107884.
[42]

姚玉峰, 裴硕, 郭军龙, 上肢康复机器人研究综述 [J]. 机械工程学报, 2024, 60(11): 115‒134.
[43]

Yao Y F, Pei S, Guo J L, et al. Review of research on upper-limb rehabilitation training robots [J]. Journal of Mechanical Engineering, 2024, 60(11): 115‒134.
[44]

Liu J S, He Y, Yang J T, et al. Design and analysis of a novel 12-DOF self-balancing lower extremity exoskeleton for walking assistance [J]. Mechanism and Machine Theory, 2022, 167: 104519.
[45]

Cui C K, Bian G B, Hou Z G, et al. Simultaneous recognition and assessment of post-stroke hemiparetic gait by fusing kinematic, kinetic, and electrophysiological data [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, 26(4): 856‒864.
[46]

何峰, 何蓓蓓, 王仲朋, 脑 ‒ 机交互运动训练的神经反馈方法及康复应用 [J]. 中国生物医学工程学报, 2021, 40(6): 719‒730.
[47]

He F, He B B, Wang Z P, et al. Motor training and its rehabilitation application based on the neurofeedback methods of brain‒computer interaction [J]. Chinese Journal of Biomedical Engineering, 2021, 40(6): 719‒730.
[48]

明东, 蒋晟龙, 王忠鹏, 基于人机信息交互的助行外骨骼机器人技术进展 [J]. 自动化学报, 2017, 43(7): 1089‒1100.
[49]

Ming D, Jiang S L, Wang Z P, et al. Review of walk assistant exoskeleton technology: Human‒machine interaction [J]. Acta Automatica Sinica, 2017, 43(7): 1089‒1100.
[50]

Ha K H, Yoo J, Li S P, et al. Full freedom-of-motion actuators as advanced haptic interfaces [J]. Science, 2025, 387(6741): 1383‒1390.
[51]

Hankov N, Caban M, Demesmaeker R, et al. Augmenting rehabilitation robotics with spinal cord neuromodulation: A proof of concept [J]. Science Robotics, 2025, 10(100): eadn5564.
[52]

Sun Y X, Zhang W, Gu J N, et al. Magnetically driven capsules with multimodal response and multifunctionality for biomedical applications [J]. Nature Communications, 2024, 15: 1839.
[53]

Esteva A, Kuprel B, Novoa R A, et al. Dermatologist-level classification of skin cancer with deep neural networks [J]. Nature, 2017, 542(7639): 115‒118.
[54]

Qiu D F, Cheng Y H, Wang X S. Medical image super-resolution reconstruction algorithms based on deep learning: A survey [J]. Computer Methods and Programs in Biomedicine, 2023, 238: 107590.
[55]

Topol E J. High-performance medicine: The convergence of human and artificial intelligence [J]. Nature Medicine, 2019, 25(1): 44‒56.
[56]

Dadkhah M, Mehraeen M, Rahimnia F, et al. Use of Internet of things for chronic disease management: An overview [J]. Journal of Medical Signals & Sensors, 2021, 11(2): 138‒157.
[57]

Sim J A, Huang X L, Horan M R, et al. Natural language processing with machine learning methods to analyze unstructured patient-reported outcomes derived from electronic health records: A systematic review [J]. Artificial Intelligence in Medicine, 2023, 146: 102701.
[58]

Hannun A Y, Rajpurkar P, Haghpanahi M, et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network [J]. Nature Medicine, 2019, 25(1): 65‒69.
[59]

Saini S K, Gupta R. Artificial intelligence methods for analysis of electrocardiogram signals for cardiac abnormalities: State-of-the-art and future challenges [J]. Artificial Intelligence Review, 2022, 55(2): 1519‒1565.
[60]

HD现代防疫机器人D1入选韩国公共采购院创新产品 [EB/OL]. (2024-01-31)[2025-12-10]. http://www.hyundai-robotics.cn/publicity/publicity1/64.
[61]

Disinfection Robot D1 of HD Hyundai was selected as an innovative product by the Public Procurement Service of the Republic of Korea [EB/OL]. (2024-01-31)[2025-12-10]. http://www.hyundai-robotics.cn/publicity/publicity1/64.
[62]

锐曼消毒服务机器人 [EB/OL]. [2025-12-10]. http://reemanbot.aichinaw.com/.
[63]

REEMAN's disinfection robot [EB/OL]. [2025-12-10]. http://reemanbot.aichinaw.com/.
[64]

马瀚. 医用病人转运机器人的研究与设计 [D]. 长春: 长春工业大学(硕士学位论文), 2023.
[65]

Ma H. Research and design of medical patient transfer robot [D]. Changchun: Changchun University of Technology (Master's thesis), 2023.
[66]

何瑛, 李伦. 机器人在护理领域中的应用进展 [J]. 中华护理杂志, 2018, 53(9): 1140‒1143.
[67]

He Y, Li L. Application progress of robot in nursing field [J]. Chinese Journal of Nursing, 2018, 53(9): 1140‒1143.
[68]

刘海清. 医疗配送机器人的设计与实现 [D]. 南京: 东南大学(硕士学位论文), 2022.
[69]

Liu H Q. Design and implementation of medical distribution robot [D]. Nanjing: Southeast University (Master's thesis), 2022.
[70]

Yang J L, Li X X, Runciman M, et al. A novel, soft, cable-driven parallel robot for minimally invasive surgeries based on folded pouch actuators [J]. Applied Sciences, 2024, 14(10): 4095.
[71]

Yang Y K, Zhang H F, Kong K, et al. Design and validation a minimally invasive robotic surgical instrument with decoupled pose and multi-DOF [J]. Journal of Robotic Surgery, 2024, 18(1): 312.
[72]

Padasdao B, Batsaikhan Z, Lafreniere S, et al. Modeling and operator control of a robotic tool for bidirectional manipulation in targeted prostate biopsy [R]. Georgia: 2022 International Symposium on Medical Robotics (ISMR), 2022.
[73]

朱姿娜, 张宇鹏, 曾阳浩, 一种基于蜂巢结构的颗粒阻塞变刚度软体手指 [J]. 机器人, 2024, 46(6): 652‒662.
[74]

Zhu Z N, Zhang Y P, Zeng Y H, et al. A variable-stiffness soft finger based on particle jamming with honeycomb structure [J]. Robot, 2024, 46(6): 652‒662.
[75]

Li M, Ishii M, Taylor R H. Spatial motion constraints using virtual fixtures generated by anatomy [J]. IEEE Transactions on Robotics, 2007, 23(1): 4‒19.
[76]

江国豪, 周圆圆, 张芳敏, 关节联动的单孔手术机器人运动解耦方法 [J]. 机器人, 2020, 42(4): 469‒476.
[77]

Jiang G H, Zhou Y Y, Zhang F M, et al. Motion decoupling method for a single-port surgical robot with joint linkage [J]. Robot, 2020, 42(4): 469‒476.
[78]

Zhong F X, Liu Y H. Integrated planning and control of robotic surgical instruments for task autonomy [J]. The International Journal of Robotics Research, 2023, 42(7): 504‒536.
[79]

Sajadi S M, Mahdioun S H, Ghavifekr A A. Design of mechanical structure and tracking control system for 5 DOF surgical robot [R]. Mashhad: 2013 21st Iranian Conference on Electrical Engineering (ICEE), 2013.
[80]

赵鹏羽. 遥操作腹部超声机器人共享柔顺控制研究 [D]. 大连: 大连海事大学(硕士学位论文), 2023.
[81]

Zhao P Y. Research on shared compliance control of telerobotic abdominal ultrasound [D]. Dalian: Dalian Maritime University (Master's thesis), 2023.
[82]

Wang G W, Xu Q S. Design and precision position/force control of a piezo-driven microinjection system [J]. IEEE/ASME Transactions on Mechatronics, 2017, 22(4): 1744‒1754.
[83]

Zhao C, Li T L, Fan H L, et al. Step-coated FBG and runway-shaped beam 6-D F/T sensor with dynamic self-fault-tolerant for orthopedic surgery robot [J]. The International Journal of Robotics Research, 2025, 44(12): 2073‒2102.
[84]

Zhao H, Chen W C, Li Y H, et al. In situ structural-functional synchronous dissection of dynamic neuromuscular system via an integrated multimodal wearable patch [J]. Science Advances, 2025, 11(2): eads1486.
[85]

Bai H D, Li S, Barreiros J, et al. Stretchable distributed fiber-optic sensors [J]. Science, 2020, 370(6518): 848‒852.
[86]

Gu G Y, Zhang N B, Xu H P, et al. A soft neuroprosthetic hand providing simultaneous myoelectric control and tactile feedback [J]. Nature Biomedical Engineering, 2023, 7(4): 589‒598.
[87]

Zhao Z H, Li W L, Li Y Y, et al. Embedding high-resolution touch across robotic hands enables adaptive human-like grasping [J]. Nature Machine Intelligence, 2025, 7(6): 889‒900.
[88]

Li S L, Wang J, Dai R, et al. RoboNurse-VLA: Robotic scrub nurse system based on vision‒language‒action model [R]. Hangzhou: 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2025.
[89]

Zhang Y C, Shen Z R, Jiao R S. Segment anything model for medical image segmentation: Current applications and future directions [J]. Computers in Biology and Medicine, 2024, 171: 108238.
[90]

Chua M M J, Vasudeva V S, Lu Y. Intraoperative ultrasound in spinal surgery [J]. Journal of Visualized Experiments, 2022 (186): e58080.
[91]

Sarwin G, Carretta A, Staartjes V, et al. Live image-based neurosurgical guidance and roadmap generation using unsupervised embedding [R]. Cham: Information Processing in Medical Imaging, 2023.
[92]

Goreczny S, Dryzek P, Moszura T, et al. 3D image fusion for live guidance of stent implantation in aortic coarctation-magnetic resonance imaging and computed tomography image overlay enhances interventional technique [J]. Advances in Interventional Cardiology, 2017, 3: 269‒272.
[93]

Bryan-Kinns N, Blanford A, Curzon P, et al. People and computers XX—Engage [M]. London: Springer London, 2007.
[94]

Marttos A, Kuchkarian F M, Palaios E, et al. Surgical telepresence: The usability of a robotic communication platform [J]. World Journal of Emergency Surgery, 2012, 7(1): S11.
[95]

Marescaux J, Leroy J, Rubino F, et al. Transcontinental robot-assisted remote telesurgery: Feasibility and potential applications [J]. Annals of Surgery, 2002, 235(4): 487‒492.
[96]

刘荣, 赵国栋, 孙玉宁, 5G远程机器人手术动物实验研究 [J]. 中华腔镜外科杂志(电子版), 2019, 12(1): 45‒48.
[97]

Liu R, Zhao G D, Sun Y N, et al. Experimental study on 5G remote robot surgery in animals [J]. Chinese Journal of Laparoscopic Surgery (Electronic Edition), 2019, 12(1): 45‒48.
[98]

李爱民, 李进华, 李建民, 国产机器人妙手S系统远程手术实验研究 [J]. 腹部外科, 2016, 29(6): 473‒477.
[99]

Li A M, Li J H, Li J M, et al. Experiments of telesurgery using domestic surgical robotic MicroHand S system [J]. Journal of Abdominal Surgery, 2016, 29(6): 473‒477.
[100]

Thai M T, Phan P T, Hoang T T, et al. Advanced intelligent systems for surgical robotics [J]. Advanced Intelligent Systems, 2020, 2(8): 1900138.
[101]

Long Y H, Wei W, Huang T, et al. Human-in-the-loop embodied intelligence with interactive simulation environment for surgical robot learning [J]. IEEE Robotics and Automation Letters, 2023, 8(8): 4441‒4448.
[102]

Zhu X R, Xie Y X, Liu Y, et al. Knowledge graph-guided retrieval augmented generation [EB/OL]. (2025-02-08)[2025-12-10]. https://arxiv.org/abs/2502.06864.
[103]

韩晓光, 朱小龙, 姜宇桢, 人工智能与机器人辅助医学发展研究 [J]. 中国工程科学, 2023, 25(5): 43‒54.
[104]

Han X G, Zhu X L, Jiang Y Z, et al. Development strategies for artificial intelligence and robotics in medicine [J]. Strategic Study of CAE, 2023, 25(5): 43‒54.

基金资助

中国工程院咨询项目“医疗机器人关键技术及核心零部件战略研究”(2023-XBZD-19)

AI Summary AI Mindmap
PDF (682KB)

0

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉