Science Advances 仿生双模态触觉感知

研究背景

触觉感知在人类收集信息和接收周围环境反馈中扮演着至关重要的角色。随着人工智能的发展，具有类似人类感知能力的智能机器人受到越来越多的关注。现有的触觉传感器能够感知接触前的刺激和压力大小，但它们在区分物体类型、评估柔软度和量化杨氏模量方面存在不足。因此，开发能够同时识别材料类型和柔软度的多模态传感器至关重要。

创新点

香港科技大学（广州）的Yunlong Zi和Xin Xia课题组和暨南大学的Xiya Yang课题组提出了一种基于摩擦电效应的双模态智能触觉传感器（BITS）阵列。该双模态智能触觉传感器BITS采用单电极配置，包括半球形电极和聚合物摩擦电层，能够在接触测试物体时产生独特的摩擦电输出指纹，从而实现对材料变形性的独特识别。利用机器学习算法，BITS阵列可以根据其在摩擦电系列中的位置，通过不同的摩擦电层准确识别材料类型，准确率达到99.4%，同时促进了柔软度识别（100%准确率）和模量量化，解决了现有技术在准确识别材料类型和量化柔软度方面的局限性。

文章解析

图1：仿生 BITS 示意图。(A) BITS 与弹性体接触的示意图。(B) 昆虫触角。© 触角上的钟形感受器 CS 示意图，用于位移和压力检测的双模态电信号。(D) BITS 感知的信号（电子亲和力、接触高度和接触压力）用于 (E) 机器学习 (F) 识别材料类型和柔软度并量化模量。

图2：开路电压 VOC 与归一化接触高度 hR （hR=h/R）之间的关系。(A) BITS 单元与弹性体接触示意图。(B) © 有无参照电极开路时电压 VOC 与 hR 关系的实验结果和 COMSOL 仿真结果。(D) COMSOL仿真（15% hR 时的 VOC）。(E) 分别与 PDMS 弹性体和 PDMS/PMMA 接触时 ΔVn（电压变化值与初始电压之比）与 hR 的关系。(F) 对于 PDMS 弹性体、Ecoflex 00-10、Ecoflex 00-20 和 Ecoflex 00-30，计算出的 hR 与实验测得 hR 之间的一致性。

图3：BITS 单元的影响因素。(A)半球形和平面头BITS的ΔVn和接触力的关系。(B) 使用半球形 BITS 时PDMS 弹性体和 PDMS/PMMA 的 ΔVn 与接触力的关系（蓝色区域：恒定区域）。© (D) 不同接触分离距离和不同湿度环境下 ΔVn 与 hR 的关系。(E) (F)不同摩擦电层（ FEP、PVDC、PE 和 PU）的 BITS 单元和不同测试样品（PDMS 弹性体、NBR/PU 海绵和 PTFE/PU 海绵）的ΔVn与 hR 的关系。(G) 不同表面电荷密度的电压曲线。(H) 接触循环测试的电压曲线和放大图。

图4：柔软度识别和模量量化。(A) BITS 与 PDMS 弹性体和 PDMS/PMMA 的靠近和接触过程。(B) © BITS阵列的示意图和实物照片。(D) BITS 阵列测不同物体时的开路电压。(E) 用于识别材料类型的机器学习混淆矩阵。(F) BITS 与通用机械试验机之间的模量量化比较。
图5：BITS 阵列实现的材料类型和柔软度识别的应用。(A)结构、传感过程和机器学习的示意图。(B)©(D)BITS 阵列的输出信号和(E)(F)(G) 分别为 NBR/PMMA、PDMS/PMMA 和 PDMS20 的识别和预测结果。

读后感

本文仿生双模态智能触觉传感器（BITS）设计灵感来源于昆虫触角上的钟形感觉器，通过单电极配置和聚合物摩擦电层，实现了对接触物体的多模态感知。它能够准确识别材料类型、量化杨氏模量、接触高度，并评估材料的柔软度，以及通过机器学习算法的集成，提高了信号处理的效率和准确性。BITS的微型化潜力，使其在未来的人工智能和机器集成应用中具有广泛的应用前景。