软连续体机器人固有的柔软特性以及高度非线性变形使其非常适用于复杂的非结构化环境,在以靶向药物输送和介入式治疗为代表的生物医学领域得到了广泛的应用。然而,传统的基于气动和肌腱驱动的软连续体机器人由于控制精度低、难以小型化以及驱动迟滞等问题很难触及人体深处狭窄且曲折的血管系统。基于磁驱动的软连续体机器人的出现有效地解决了上述问题,其中,由硬磁软材料制作的磁响应软连续体机器人由于易于制造且具备形状可编程性而受到相关研究人员的广泛关注。本文针对应用于微创手术的医用导丝的控制问题提出了一种基于机器学习的人工神经网络（ANN）模型,能够在模拟的血管路径中精确且高效控制所谓的“磁性软触手”的变形并将其导航到目标位置。在这里,我们将由远端的磁响应尖端和近端的商用导丝连接而成的铁磁软连续体机器人称作磁性软触手。人工神经网络模型以参数化仿真的结果为训练数据集,能够根据输入的离散化血管路径的数学表示准确预测并输出相应的控制参数配置。这种基于数据驱动的控制模型绕开了困难的运动学建模过程,同时避免了繁重的计算成本,利用ANN模型的预测性能即可得到磁性软触手尖端在任意变形下的驱动参数。首先,基于分段控制的思想,我们将连续的血管路径离散化为一系列散点,以相邻点间的偏移量和偏转角为描述某段变形的特征参数。然后将描述整个路径轨迹的二维特征矩阵输入学习模型中,模型预测输出每段变形对应的控制参数,包括磁场的大小、方向和磁响应尖端变形部分的长度。下一步根据学习模型的设计需求收集相应的训练数据集,为避免重复建模,我们基于ABAQUS-Python的二次开发功能进行磁性触手尖端的参数化仿真分析,以磁性触手尖端的长度及磁场模式为变量分析不同情况下的变形。然后,采用基于贝叶斯优化的超参数搜索方法优化神经网络模型,最终的学习模型在测试数据集上表现出优秀的泛化性能,达到0.0076的均方根误差水平。最后,我们通过三个演示实验进一步展示了学习模型的高精度定位及高效导航的能力,也说明了将这种控制方案应用于人体深处狭窄且曲折的血管系统的巨大潜力,为避免磁辐射风险和减少组织创伤提供了可能性。