□文/卢　川



美国医疗与保健机器人技术路线图（下）

□文/卢川

在过去的几年中，使用机器人进行医疗活动的比例按每年40％多的速度增加。由于社会老龄化，预计在未来十五年，外科手术的数量会增长一倍。2013年，美国国家科学基金会颁布了一个为期十五年的制造业转型计划，其中医疗保障机器人发展规划作为其重要的一部分。了解美国医疗与保障机器人技术发展方向，有利于我国在相关领域的迅速发展。

在上期《美国医疗与保健机器人技术路线图（上）》中指出机器人系统在医学和健康领域中的应用、机器人技术应用的相关社会动因和其产生的新价值，同时介绍了美国医疗与保健机器人技术路线图中两个方面的路线规划，本期将继续介绍路线规划图的其他内容。

人机交互中对人类状态和行为的理解

医疗与保健机器人需要理解用户的状态和行为并对其作出适当的反应。由于人的状态和行为是复杂且不可预测的，并且基于视觉的感知是机器人领域中尚未解决的挑战（包括对隐私的关注），自主感知人的状态和行为需要多种传感器数据的整合，包括机器人自身的、环境中的、用户佩戴的以及基于多模式数据的统计方法来对用户进行建模。机器人互动如何影响状态和行为的基本机理研究仍在起步阶段，进一步的研发将启用医疗与保健机器人更有效的控制算法设计。

自主识别用于对情绪状态理解的能力对制造个性化机器人是十分重要的，特别是与健康相关的对于弱势群体的应用。情绪理解需要处理来自用户的多通道数据，包括声音、面部表情、肢体运动以及生理数据和协调不一致（例如口头和面部的信号）。社交辅助机器人的早期研究已经表明，关于情感的个性表达是指导和促进康复系统用户所期望的行为的有力工具。生理数据传感器是典型的可携带式传感器，它可以提供实时的生理信号（如心率，皮肤电反应和体温）。主动研究是从生理数据中提取，诸如沮丧和激动等指标的解决方法。在不干扰病人的前提下获取生理数据并传输至电脑、机器人或看护人员的能力，在改善健康评估、诊断、治疗和个性化医学等方面具有很大的潜力。机器人将能够进行智能辅助，给予适当的激励，以使其能更好地表现和进行学习。

表1　人机交互中对人类状态和行为的理解

对用户持续变化的需求进行大范围长时间的建模

机器人系统对用户特定的模型的需求在医疗保健领域是十分重要的。每一个用户都有机器人需要切合的特点、需求和喜好。此外，这些特点通常会随着人习惯于机器人而改变，并且随着他们短期的（恢复），中期的（康复），和终身的（老化）健康状况的改变而改变。为了提高效率，机器人系统与人类用户的交互必须能够学习特定用户模型，把一个用户与其他用户区分开来，并能随着时间进行自动适应。为了实现这一目标，机器人必须利用从不同来源得到的完整数据。有关用户的物理信息，来自随身的和远程的传感器，例如摄像头，提供了与用户当前状态有关的数据。此外，互联网也可以提供用户数据，例如个人病史，过去的病症以及类似的用户数据。这个领域面临的挑战包括集成多模态的信息频谱，不确定性和随着时间和人群变化的不一致性。机器学习，包括机器人学习，越来越多地采用统计学方法。然而，很多工作仍然具有复杂性，来自真实世界的不确定数据（如噪声，不完整和不一致的数据）、用户的多模数据（从测试、电机、可携带设备等的信号级的信息，到图标、病人访谈等的符号信息）、长期数据（多年的治疗）和不同用户的信息（如互联网汇编的信息）。

医疗保健和社会化媒体的交集数据创建了一个新的数据途径以加强用户模型。自我量化过程，与健康相关的信息自跟踪（如运动路线、计步器读数、饮食计划）是最新的趋势，并且越来越多的人正在通过社交媒体分享这些信息。此外，分析用户与社交媒体的交互可以提供用户个性与关系的指引。随着时间的推移，跟随这些交互中的变化可以为理解那些在生理传感器中并不明显的心理变化提供一个独特的方式。

考虑到上述挑战，一个自适应、自学习的医疗机器人系统应该能将用户健康状况建模，并将其与一些生理基线进行对比，以调整相应的服务。这种机器人可以基于专业的疗养、干预、治疗、预防的方法，产生量化指标，并用于得到积极的健康结果。

卢川 特约撰稿人中国科学院地质与地球物理研究所博士

表2　对用户持续变化的需求进行大范围长时间的建模

量化的诊断、评估与训练

与信息系统耦合的机器人能够以前所未有的方式从患者那里获取数据。他们可以使用传感器来记录病人的生理状态，使病人参与肢体交互活动，从而得到身体健康情况的外部度量。他们还能以比人类更加客观和可重复的社交方式同病人进行交互，从而获得行为数据。另外，机器人从医生或看护人员与患者之间的交互传感器中可以知道特定的健康状况和治疗过程的历史情况。同样的定量诊断和评估范例可以提供医疗保健提供者的性能信息，如外科医生和临床治疗师可以通过追踪医疗提供者的疲劳、压力、反复性、精度和程序结果来提供信息，或者通过长时间的定量评估获取信息。

定量诊断和评估需要对人类用户进行检测（病人或医疗提供者），应用刺激物来估计响应，并需要对所获取的数据进行诊断和评估。当诊断和评估不确定时，机器人可以直接获取更合适的数据。机器人应当能够与医生和看护人员进行智能的互动，用各种复杂领域内的知识来协助他们，而不是一定要取代他们。机器人需要在某些场所（如家里）照顾老人，而看护人员不能随时在场，因此评估功能作为提醒看护人员的一种手段变得异常重要。

一个最为重要的挑战是将定量的数据转化为相关临床的性能指标，来说明重复性、准确性、稳定性以及最重要的临床装置的有效性。当这些性能可以形成闭环，并推动医疗服务提供者的个性化培训方案和病人的个性化治疗方案时，定量方法的价值将变得非常明显。

诊断、评估、训练过程的每一个阶段需要独立地加以改进，然后将其作为一个整体进行改善。这些阶段包括通过刺激的控制应用来获得定量数据，降低维数并提取关键细节，并进行和改变行动，以实现更好的知情诊断/评估和结果。在很多环境中，这个过程是自控制的（即在受控时域内提供服务），在其他情况下，可能是一个开放式的过程（即在自然环境中提供服务，如家中）。

至今，这个研究已经展开，并将看护人员包含在周期内，以确定其适当的行为。产生于机器人系统的量化和自动化有助于形成闭环，使得病人护理和程序技能的获取更加高效，同时改善其可靠性和可重复性。实现这一复杂的过程，需要达到几个重要的里程碑（见表3）。

表3　量化的诊断、评估与训练

依据环境进行引导以及变量的自控

结合机器人的优势（精确，微小空间下的灵活性和先进的传感能力）和人的优势（相关的知识、高级的决断能力和对未知问题的解决能力），机器人可以对病人和看护人员提供环境自适应的引导。这种共同控制概念称为人机合作系统，系统中操作人员是机器人闭环控制的一部分。如之前所讲，人类（病人和看护人员）在控制系统中属于未知的因素，因此，要使机器人提供合适的辅助工作，需要让机器人在护理和医疗应用中理解工作的环境和人的行为。

在假肢控制中，低层机器人控制器需要自动调整人造假肢的协调行为以支持使用者所期望的高层活动。在手术系统中，人机合作结合了外科医生的专业技能与机器人的高精度性能，为病人提供更高安全的保障。在康复系统中，人机合作可以确保客户端与治疗师之间有效的交互以提高效率和护理质量。在机器人辅助的日常生活中，人机合作可通过让机器人随着环境的需求自主转变角色。机器人可以通过社会机制去影响人的行为和提供帮助，如为活动提供建议、促进沟通工作和提供认知支持（如提醒吃药）。在更加紧急的情况下（例如跌倒或失去知觉），机器人需要转换到更加自主和主动的角色，以进行应急响应。这种可变的自主功能在单一集成系统中可以提供更加健全、灵活的行为，同时支持与目标用户期望的交互模式。

信息化地图引导的介入

在微创手术中，由于相关的手术工具不能直接被医生看到，所以降低了医生的环境感知能力。随着微创手术工具由刚性的、直的转变为蛇形的工具，这个问题变得更加突出。

只有通过结合所有的这些数据开发一幅信息地图，机器人微创手术的潜力才能被完全挖掘出来。这张地图将为单个医生提供比他们有经验的同事更详尽、更实时的信息。此外，地图信息驱动的机器人将使单个医生具有该领域内最高的技术水准。要达成目标，必须要克服几个主要的技术挑战。这些挑战包括：（1）开发相应技术用于构建和更新信息地图；（2）开发将医生沉浸在信息地图中的方法，以最大化医生环境感知能力，最终可以便捷高精度地控制机器人；（3）开发能够兼容图像与感知工具的机器人；（4）改进机器人控制算法以最大化机器人对病人和医生意图的环境感知能力。后者将使机器人适应医生规定的运动，到达运动目标，同时避免触碰脆弱的组织。表5给出实现这些目标的里程碑。

高灵敏度操作

高度灵巧操控使得微创手术和辅助机器人与人物理性交互中受益良多。与开放性手术相比，微创手术能够减少病人痛苦、缩短手术恢复时间、降低手术成本以使得病人和社会都从中受益。不过，由于现有设备的限制，微创手术并未发挥其全部潜力。许多研究者试图模拟开放性的手术，但依然缺乏灵活性。

机器人的灵活性已在腹腔镜手术中得到证明，这类手术中面临的很多挑战需要提供尖端、可操纵的蛇形机器人，同时开发相应的手术技巧和工具去优化这一平台。这些挑战涉及到机械设计、制造、驱动、检测、控制和运动规划。开发高灵活性的微型设备是最具有挑战性的，但要开发的机器人是可以通过微小切口进入体内，以最小的损伤移动，并为精细的手术提供灵活的运动和力。最高的要求是微型无缆的机器人将既可以通过亦可以在体内激活用于生理功能的调节或是执行修复任务。这一方法现有的例子是胶囊机器人和传感智能药片，不过它们只是起到诊断的作用。

为克服身体和认知能力的限制，辅助性机器人技术有潜力提供更有效的、个性化的护理。例如，可穿戴的机器人可帮助中风病人对他的手做康复治疗。类似的，移动机器人在病人家中可以协助处理日常生活事务或医生通过机器人出诊。要实现全部功能，辅助机器人需要在以人为中心的环境中易于操控。此外，在接近人类和对人身体操作的时候还需要保证灵活和安全。实现这些能力带来更大的挑战，因为最终护理机器人将具有人类水平或更高的灵活性。技术的进步需要从机械设计到人工智能对机器人做出创新。

灵巧操控的发展规划需要在特定应用中考虑，表6给出了手术机械臂和辅助机器人的发展规划。

表4　依据环境进行引导以及变量的自控

基于传感器的健康数据自动采集

如今在医院环境中使用的大多数传感器都是数字的，这些信息可以存储下来后进行分析。在康复和矫形设备中也是如此，这些数据源将为人们提供基线数据，从而可以开展对比研究以评估新机器人对手术的影响、新触觉反馈对康复的影响或是新神经接口对假肢的影响。总之，这些数据源将启动医疗机器人定量和客观的评价研究。

关键的挑战是创建一个共同的基础设施去收集、组织、传输和存储多样的数据源信息。例如，一个综合性的数据记录中心可以存储一个匿名病人的图像信息、主要生理读数和机器人手术过程中的数据采集。为了充分利用这些数据，必须构建数据域本体，必须构建匿名、联邦和数据共享的方法，必须建立共同研究问题的开放数据集。

通过采集整个人口的信息，我们将拥有一个前所未有的更详细、范围更广的数据库。这一数据库使基于历史数据的医学研究进入一个新的水平。目前的医学研究有针对性地解决具体的问题或是假设，这些研究本身限制了其研究方法和持续时间。也有一些类型的数据，如一个人正常生活的行为模式，在目前是很难获取的。大规模的数据库将促使更多开放式的研究。这也将带来一个个性化医疗保健的新水平，它能提供更快速、更准确的诊断，以及对生活方式的选择及其可能的后果建议。

机器人行为的安全性和可靠性

保障机器人安全性需要作为一个新层面的问题考虑。在人机环境中，识别和对人类行为作出合适反应（例如知道无意的人类行为和特定的人类行为的区别）代表了一个新的挑战。研究敏感或是易受伤害的组织附近进行安全操控的基本机构是一个相应的研究领域。智能的“虚拟装置”可以提供一个力场保护区域，由医生指定特别敏感的区域，手术中可以自动识别。智能组织的处理能力将使机器人可以“温柔而坚决”地收回内部组织，拉扯的力度在年老病人组织可以承受且安全的范围内。为使这些成为现实，需要研究组织之间的安全量化模型，这将推动本质安全医疗的人与机器人的交互。

系统安全性是另外一个需要研究的领域。随着机器人可进行远程控制，黑客通过阻塞或接管一个医生和机器人之间的通信链路是极为不利的。所以，两者之间的通信链路必须是高度安全的。此外医疗机器人存在的问题还有：实时性的要求、视频的安全传输和双向认证。此外，如果用户独处时失去知觉或是受伤，具有感知的移动机器人应提供有价值的资源，但向外界授予访问权限的规则将是难以界定和解释的。再者，为了诊断的目的，机器人和假肢辅助工具所记录的使用者历史数据也会很有帮助，但是这可能会泄露使用者的健康和行为信息，其隐私和法律地位可能不会受医患特权的保护。未来机器人需要不仅可以对危险的情况发出反应，还能预测这种情况的发生。

安全行为不仅限制在物理交互的过程中，虽然社会辅助机器人通常不涉及任何与人的物理接触，但交互过程可能会导致不必要的如强烈的依恋或厌恶的情绪。即便如今还未观察到这一现象，但这种情感压力或损害的可能性在安全性环境系统设计时必须要考虑。

表5　信息化地图引导的介入

机器人的部署

完整的健康机器人系统的部署需要考虑在人类环境中的安全、可靠、连续运行的实际问题。该系统必须是私有的、可靠的，且在家中能与其他系统进行互操作。要循序渐进地达到系统级要求，医疗卫生领域的机器人需要新的原理性的测量工具和方法进行有效的论证、评估和认证。

系统评估的挑战是系统评估的本质问题：评估人的功能和行为是评估系统本身的一部分。病理学定量表征是医学中存在的一个问题，利用机器人采集和分析人类功能、行为量化数据，这一问题有可能得到解决。与此同时，一些医疗服务本质上是量化的，与治疗、动机与社会交互有关。虽然这种方法在社会科学中已经标准化，但在医学界还未被认知和接受。

由于医疗卫生的机器人必须既与专家又要和外行人员工作，所以需要从两边分别获得接受。这就需要重复性的实验、标准、代码重用、硬件平台的重用/共享、临床试验、疗效需求数据以及机器人从实验室到实际环境中的转变。随着系统变得越来越智能和自主，有必要开发相关方法来衡量和评价随着用户互动的自适应技术。

机器人技术的成本问题必须分为不同的几个层次。医院承担大部分的成本，由于需求的复杂性和医疗应用严格的性能要求，机器人的维修成本和开发成本都很高。政策需要解决这些问题：监管障碍、许可证发行、国家认证、监督和示教机器人的规则、保险公司的理赔。最后，我们需要考虑外科医生和患者双方的文化背景，他们必须能接受机器人技术。

医疗机器人最终目标是消费者可以去商店购买合适自己的系统，然后不经过改装将该系统集成到家庭系统中，就像如今买电脑一样。

表6　高灵敏度操作

这项技术必须被证明是有效的，价格实惠，并可接受的。由于缺乏支撑产业，使医疗卫生机器人的进展还很缓慢。

要创建一个健康的机器人行业，资源必须先指向融资合作项目，这样可以聚集工程、健康和商业方面所需的专业知识。孵化一个完整的系统，并在病人身上评估这些系统，特别是需要基金的资助，这一过程需要一年或是更长的时间。目前，没有基金资助机构有这样的孵化项目。对NIK（国家卫生研究院）来说这项研究太技术化，对NSF（国家科学基金会）来说又太过医学化，对商业或风险资本来说又太过远离即时的市场。其结果是缺乏大量关键新颖的测试和部署、技术创新、产品和业务去发展一个新的行业。

一个蓬勃发展的行业需要医疗护理机器人的研究、实施、评估和部署方面的培训。高校已经迈出了第一步，通过在本科生和研究生层面开展医学和工程的交叉学科项目，以促进这一行业的发展。K-12推广项目（旨在增强大学教育之前学生对数学和科学的兴趣）已越来越受到关注，使用了广受欢迎和有吸引力的机器人话题。由于女性在医疗保健和看护方面发挥的重要作用，医疗卫生相关的机器，尤其是将女孩子引入工程领域，引发了另一个重要的劳动力趋势。

表7　基于传感器的健康数据自动采集

基本的机器人研究与技术

体系架构与表达

机器人控制构架封装了机器人控制程序设计的组织原则。其中最复杂的根本性问题是构架地址，它通过使用适当的数据表达将低层次的认知——动作循环与高层次的符号推理相集成。机器人控制构架的发展与医疗卫生机器人系统已达到一个全新的复杂水平，因为此系统必须实时地与复杂的真实环境交互，交互范围从人体组织到人类社会间的活动。这样的系统和交互提供多模式感知，各种类型的嵌入式交互和数据表达的挑战以及在一个时间尺度上操控所需的时间响应。为应对这些挑战，必须开发一个构架以方便在不确定环境下与一个或多个使用者直接或非直接的物理性交互的灵活自适应系统的原则性的程序设计。对于人机交互，架构也必须考虑模拟认知系统、技能和环境表达、不确定性推理、层次和终身学习技能、用户建模、实时社交互动（包括语言和身体活动交互）以及故障恢复等等。

形式化方法

形式化方法是规范、开发和核查系统的数学方法。医疗卫生机器人具有众多的核心功能。其中一些领域具有多尺度系统的鲁棒模型、分析和仿真工具。形式化方法实现了最佳的系统集成，这样我们可以设计基于机器人技术的系统，使其各个组件以完全可预测的方式工作。由于医疗机器人直接与护理人员和病人交互，当使用形式化方法时其控制器设计、规划、操作软件和硬件应该确保安全。此时，形式化方法的大多数工作并未纳入一定程度的不确定性，而这在医疗卫生机器人中是需要的。一个相关的目标是使用形式化方法对系统的行为设计和建模，包括对人类行为和人机交互形式化建模。

控制和规划

这里定义的控制是低层的控制指令的计算（如一个电机应该施加多大的力），是所有实体机器人必要的部分。在医疗机器人中，最为重要的是力/接触控制。在这种控制形式下，我们通常希望机器人来保持对环境给定的力（例如康复场景中，接触软组织实施诊断时，用假肢抓取物体时需要施加的力）。由于时延和不完善的动力学模型（特别是摩擦力模型）使得维持稳定、安全的接触很困难。所有这些问题可以通过改进机器人设计、建模和控制得到解决，而且需要同时得到解决。因此，力/接触控制是推进机器人与未知环境交互必不可少的。

对于任何自动或半自动运行的机器人，必须进行路径规划以制定运行路径。医疗卫生机器人进行的规划，比如如何帮助病人下床，如何到达一个器官的肿瘤位置，如何激励病人进行锻炼。医疗卫生机器人规划必须适应不同的对象（如医生、护理员或病人）和未知的环境（如软组织、生活环境或正在康复的病人）。虽然规划是机器人研究非常成功的部分，但很多现有的工作需要依靠对环境有充足的了解，同时也是针对完全自主的系统。针对医疗卫生机器人在未知环境和人作为输入参数的规划也需要提出新的方法。

表8　机器人行为的安全性和可靠性

感知理解

机器人感知是利用传感器数据、模型去理解任务、环境或使用者，是所有医疗机器人的关键部分。在图像导航手术中，图像数据必须被分析和转换成特定的特征信息，如器官、障碍物（如泌尿手术中的盆骨）。这类感知不但需要传感器数据，也需要地图信息（记录相似病人的可识别的特征，以此引导对于特定病人重要特征的识别过程）感知系统的输出可以用于手术规划、创建仿真和为操作人员提供实时反馈。另一个与医疗相关的感知是通过对触觉、力和接触传感器数据的翻译去建立人、机器人、环境和交互作用的模型。例如，一个假肢用低层控制系统（为了减少人注意力的需求）抓住一个杯子，就有必要通过数据处理让假肢判断杯子是否会滑落以及杯子里面有多少水。

一个相关的问题是医疗机器人必需也要理解某些方面的人类感知功能。例如在图像引导的手术中，信息应具有相应级别的细节和分辨率，应该直观地展示给医生并且不会分散医生的注意力。另一个例子是大脑控制的假肢和某种形式的机器人辅助人体康复系统的应用。对于这样一个系统，了解人类如何解释从机器人获得的反馈是传感器选择和数据表达的关键。最后，对于社会辅助机器人，为了以适当、直观、易懂的方式呈现信息，机器人需要充分理解人类的感知。这些情况下需要更好的人类感知模型，允许人类和机器人之间的相互作用进行优化。

最后，与用户交互系统的关键挑战是，为了能够进行有效的人机交互，需要实时感知和理解用户的活动。自然、无约束的人类行为是复杂、变化莫测和充满不确定性的。可穿戴式传感器和预测模型的发展促进解决人类行为的感知和理解是必要的。

鲁棒性与高保真传感器

在医疗机器人中，有几类传感器是尤其重要的：生物相容/植入式传感器，力/触觉传感以及追踪和导航所用的传感器。这些传感器配合感知算法，往往需要给出一个看护人员/医生、病人和环境（某些情况下）的状态。

生物相容/植入式传感器是促进这一领域的进步重要催化剂。当机器人和病人之间接触时，紧密的物理接触需要系统不会损害人体组织或停止运作。在手术中，必须设计相应的机制使系统不会无意中破坏人体组织，传感器也必须保证在潮湿、充满碎屑和变温情况下正常工作。对于假肢来说，连接肌肉、神经细胞和脑组织的传感器和探针必须长时间保持功能而不会降低工作性能。这些传感器和设备的设计必须考虑医疗卫生机器人的具体应用，以便定义其性能需求。

当机器人在非机构化的环境中工作，尤其是在与人类接触，使用触觉感知是精确、高效和安全操作的关键。当被告知进行软材料操控的时候，从人体器官到毛毯以及家中其他的物体，此时便需要触觉、力和接触的数据。由于传感器需要大面积布设以及具有高分辨率，使得采集和解释空间上分布的触觉信息特别具有挑战性。目前，传感器在鲁棒性、分辨率、变形特性和尺寸方面都有限制。

改进的追踪和导航系统（特别是通过非接触的方式，如图像、无线追踪/磁性设备）在增强医疗机器人性能方面也是非常重要的。由于很多医疗机器人将需要依靠术前和术中的数据（分布可能随时间变化），随着这些检测数据变得更加精确和准确、更容易获取、并在某些情况下对病人伤害较小，因此可以进一步支持机器人的行为。生物标记物与造影剂和医学图像的结合也是医疗机器人重要的组成部分。最后，成像以及跟踪方式必须能够与驱动技术兼容。

新型机构与高性能执行器

从超微创手术机器人到与人手相同尺寸的人类假肢手指，医疗机器人需要非常小的执行器和高功率/重量比的机构。这些设计将允许我们开发体积更小、功率更低、成本更低的机器人以带来更大的成效以及服务更多需要的人。下面的两个例子着重阐述机构和执行器的进步是如何促进医学的。

在手术中，新型的机构使得体积小、成本低的灵巧机器人能从体外进行机械控制。由于很多机械结构很难消毒，手术将受益于利用高效的装配方法将成本低廉的材料搭建成一次性使用的设备。如前所述，图像导航手术的功能依靠特殊设计的、兼容机器人的、能够消除电磁的组件。这一特殊的制动器在大多数机器人机电系统中都存在。

先进的假肢也激励着机构和执行器的重大改进。设计与人类手一样灵巧的机械手，与人类手臂和腿一样强壮的机械手臂和腿，所遇到的特别挑战是人形体积和重量的限制要求。通过对运动学理论和材料特性的深刻理解，需要对机构使用新的拓扑结构进行开发。另一个对康复机器人重要考虑的因素是其动力问题。传统的机电执行器功率/重量低于一些其他潜在的技术，如形状记忆/超弹性合金和直接化学能到机械能的转换单元（例如单组元推进器）。然而，由于安全原因的考虑，许多新型的驱动器技术还存在问题：如响应时间缓慢、很难精确控制，所以有必要继续探索和开发这些和其他潜在的机器人执行器。

学习和自适应

医疗卫生机器人的主要目标是随着时间的推移提升其本身的性能以及提升用户体验的能力。为此，需要将机器学习应用到实际情况中不确定性和多模态医学和健康数据以超越特定的狭窄应用领域，朝着更全面的用户健康模型发展。

在学习新的策略、行为和技能时，学习算法必须确保系统的性能水平（安全性，稳定性等）。这一点在长期和终身的用户建模和任务学习中尤为重要，这也是辅助系统的两个主要目标。直接教导、示教和模仿学习领域所做的努力应该直接指向实际的医疗和健康领域。总之，在不久的将来，对用户、环境、任务和时间跨度交互的学习和自适应，应该变成实用、鲁棒的智能机器人系统的标准部件。

物理上的人机交互

物理上的人机交互是大多数医疗应用固有的。如前所述，这种交互作用需要感知、理解和执行。对人的感知可以基于传统的机器人传感器或生物相容/可植入的传感器，如脑机接口。这种感知数据必须结合模型以达到理解人类行为的目的。人类形态和功能的建模或模拟是设计人机物理接触的基础。

在上述这些方面还有许多工作需要做，因为我们不完全了解什么样的人体模型对优化机器人设计、感知、控制和规划是有帮助的。

人机物理接触最重要的一个方面是力觉技术。当临床医生或患者通过远程操控使机器人与环境交互的时候，操控人员需要一个自然的界面，使得机器人好像是“透明”的。也就是说，操控人员操作手术机器人、假肢，康复机器人时应该感觉他是在直接与真实环境交互而不是跟机器人。力觉（力和触觉）给用户的反馈应该类似于他在真实世界的感觉。这种力觉反馈可以提高精度、效率和舒适性。

社会辅助机器人的交互算法

在使用医疗服务机器人改善健康疗养、康复、健康应用等成果方面，社会互动的有效性是至关重要的。使用者想要通过社会辅助机器人去接受咨询、互动，并最终朝所期望的方向改变行为，其余的则通过机器人的能力去获得用户的信任和保持使用者的兴趣。为此，对于大范围的用户，包括那些有特殊需要的用户，所开发的用户接口和输入设备必须便捷、直观。结合手术、表情和身体/运动的表达以及其他内在的交流方式，可穿戴式传感器、手杖和其他随处可见的互动方式将被进一步的推进。社会互动本质上是双向的，因此涉及多模态理解和交流，包括口头和非口头的方式。所以，自动化的行为检测与分类、活动识别，包括用户意图、特定任务的重视和故障识别，是HRI的关键部件。进入角色的个性化和其表达的研究，以及情感和多通道（声音、面孔、身体）可靠情感表达的理解是促成实时可靠人机交互所必须的。

建模、仿真和分析

多样化的模型在医疗卫生机器人应用中是非常重要的。我们可以将其分为两类：人的模型（从组织生物机械到人类的认知和身体行为）和工程系统模型（包括信息集合/流动、开放性的构架和平台）。这些模型可以是生物机械模型、生理模型、动力学模型、环境模型、几何模型、状态模型、互动模型、任务模型、认知模型和行为模型。这些模型可以用于很多任务，包括最优化设计、规划、控制、任务执行、测试、验证、诊断、预测、训练、社会和认知交互。

此处，我们举了医疗中一些特定模型的例子。由于远程手术中存在时延问题，需要获得病人模型使得医生和远程手术环境可以自然交互。通常，在手术规划、手术模拟、系统自动导航中需要获取组织模型，这些模型在基于针式的手术中才刚刚开始使用，但更加复杂的模型已用于很多类型的手术中进行导航和引导，如腹腔镜手术和细胞手术。那些足够真实的模型被实时渲染的话，便可以进行高保真的手术模拟，这可以用于手术培训和练习。对于辅助医疗机器人，我们需要获取人的认知和行为模型，以提供合适的援助。机器人还需要病人全身的物理模型以提供如进食、下床等帮助。