Science Advances 具有高灵敏度远程感知功能的多感受器皮肤

研究背景人类感知能力主要依赖五种基本感官，但在智能机器人和人机界面等领域中，传统的非接触式传感器因灵敏度和感知距离的限制，难以有效感知和处理环境信息。现有的触觉传感器依赖物理接触，无法实现高效的远程感知。创新点中国科学院北京纳米能源与纳米系统研究所Di Wei，Zhonglin Wang课题组联合清华大学Tianling Ren课题组和剑桥大学Daping Chu课题组合作报道了一种仿生多感知皮肤系统，通过对无机非金属纳米颗粒的结构掺杂以及先进的深度学习算法的集成，实现了超远程感知（tele-perception）和触觉感知功能。通过无机纳米颗粒的结构化掺杂，显著增强了局部电场，从而实现了超高灵敏度（ΔV/Δd = 14.2）的远程感知。此外，结合深度学习算法，系统能够以99.56%的精度进行材料识别，并加速处理速度。这项技术打破了传统非接触传感器的局限性，实现了远程感知与触觉感知的融合，具有广泛的人机交互与智能机器人应用前景。文章解析
图1：展示了多感受器皮肤的整体感知系统设计及其应用。图1A介绍了人类大脑功能区域的分布，图1B展示了鸭嘴兽通过双重感受器（机械感受器和电感受器）感知环境的原理，作为系统设计的仿生灵感。图1C描绘了多感受器皮肤的智能感知系统框架，结合深度学习算法，实现了远程感知和触觉感知的融合。图1D则展示了多感受器皮肤对不同材料的应用场景，证明了其在材料识别和人机交互中的实际应用潜力。
图2：主要展示了多感受器皮肤的工作机制和仿真结果。图2A解释了触觉感知的基本原理，基于原子尺度下材料的电子云重叠模型。图2B展示了远程感知的工作机制，结合了摩擦电效应和静电感应。图2C和2D通过仿真比较了无序掺杂和有序掺杂无机纳米颗粒的电场分布，结果表明有序掺杂显著增强了电场强度，提升了感知性能。整个图展示了如何通过优化纳米颗粒掺杂结构来提升多感受器皮肤的感知能力。
图3：展示了多感受器皮肤在远程感知中的性能。通过简化的物理模型和实验，图3显示了在不同距离（0到70毫米）内，仿生电感受器能够精确捕获目标物体的电信号。实验结果表明，有序掺杂的皮肤能够在远距离内保持稳定的电信号捕获能力，并能识别不同材料的电信特性，证明其具有高灵敏度和长距离的远程感知能力。此外，该电感受器在各种环境条件下都表现出较强的稳定性，特别适合于智能机器人和人机交互中的应用。
图4：展示了仿生机械感受器阵列在材料识别中的应用。通过不同感受器与材料接触时产生的电信号，图4A显示了机械感受器阵列的结构，图4C展示了不同材料接触时的电信号幅值和极性差异。图4D和4E进一步展示了该阵列在识别多种常见材料（如尼龙、橡胶、铝等）时的电信号响应。实验表明，该阵列能够通过分析各感受器产生的电信号，实现对材料的高效识别，证明其在材料分类中的高精度和广泛适用性。
图5：展示了基于堆叠LSTM网络的材料识别系统。图5A显示了整体计算流程，包括信号预处理、脉冲检测、信号分割和数据增强。图5B和5C展示了脉冲信号的检测和分割过程。图5D展示了通过数据增强扩展样本集的过程，图5E展示了堆叠LSTM网络的架构。图5F通过对比不同通道的输入，展示了识别精度随着通道数量的增加而提升，图5G则展示了四通道输入下的混淆矩阵，表明系统最终实现了99.56%的分类准确率。实验结果证明，多通道信号输入显著提高了材料识别的精度和稳定性。
图6：展示了多感受器皮肤在远程感知和触觉感知中的应用。图6A是一张机器人手臂与仿生机械感受器阵列互动的照片。图6B展示了RTPS（实时触觉感知系统）的主页，图6C则显示了该系统在识别材料时的输出信号曲线和识别结果。图6D展示了基于20×20单元仿生电感受器矩阵和卷积神经网络的3D物体远程感知系统。该图说明了多感受器皮肤通过机器学习算法和深度学习模型能够有效识别材料和3D物体形状，验证了其在远程感知中的高效性和稳定性。读后感这篇论文提出了一种基于多感受器皮肤的新型远程感知和触觉感知系统，结合了纳米材料的结构性掺杂和深度学习算法，突破了传统传感器在感知距离、灵敏度和功能上的限制。研究通过仿生设计，模拟鸭嘴兽的双重感受机制，将电感受器与机械感受器相结合，成功实现了高精度的远程感知与材料识别。机器学习算法尤其是LSTM网络与卷积神经网络的引入，使得系统能够在复杂环境下高效处理多维数据，达到近乎完美的识别率。这种创新不仅拓展了人类的感知边界，也为人机交互、机器人技术和神经形态计算带来了革命性的应用前景。