该论文旨在解决连续体机器人(continuum robot)形状估计中的核心挑战：如何从稀疏、噪声的传感器数据中准确重建其形状。研究背景是现有方法存在明显权衡：参数化方法(state representation)虽然状态表示紧凑，但缺乏概率结构；而基于因子图(factor graph)的Cosserat杆(Cosserat rod)推理方法虽然能提供原则性的不确定性量化(uncertainty quantification)，但其状态维度会随空间离散化而增长。
论文提出了一种结合两种范式优势的方法：
- 在因子图(factor graph)框架内，估计一个低维几何可变应变(Geometric Variable Strain, GVS)参数化的系数。
- 核心是引入一种新颖的运动学因子(kinematic factor)，该因子源自应变场(strain field)的马格努斯展开(Magnus expansion)，将闭式杆几何(closed-form rod geometry)作为先验约束(prior constraint)，将GVS应变系数与机器人主干姿态(backbone pose)变量联系起来。
- 该方法最终形成一个紧凑的状态向量(state vector)，可直接用于基于模型的控制(model-based control)。
论文的核心创新点在于：
- **方法融合创新**：首次将低维参数化表示(GVS)与概率图模型(factor graph)进行深度融合，在紧凑状态表示与概率化不确定性量化之间取得了突破性平衡。
- **因子设计创新**：基于马格努斯展开(Magnus expansion)推导出新颖的运动学因子(kinematic factor)，以闭式形式(closed-form)将连续体机器人的复杂几何约束编码进因子图，这是连接参数化模型与图优化框架的关键技术桥梁。
- **性能优势**：在保持因子图模块化、概率化处理和计算效率的同时，实现了状态维度的显著压缩，使其更适用于实时控制。
论文对该领域的总体贡献包括：
- **提出了一种新的形状估计框架**：为连续体机器人提供了一种兼具紧凑状态表示、原则性不确定性量化和计算效率的形状估计解决方案。
- **验证了方法的有效性**：在仿真中对一个0.4米长的腱驱动连续体机器人(tendon-driven continuum robot)进行了评估，在三种测量配置下，所有场景的平均位置误差均低于2毫米，并且在仅有位置测量时，其方向误差比高斯过程回归(Gaussian process regression)基线降低了六倍。
- **推动了实际应用**：所得到的紧凑状态向量可直接集成到基于模型的控制系统中，为连续体机器人的精确闭环控制提供了更实用的状态估计工具。