综述：智能柔性触觉传感器：器件设计、智能算法及多学科应用的最新进展

本综述系统回顾了柔性触觉传感器在器件设计（如电阻式、电容式、压电/摩擦电式）、性能优化（灵敏度高达1167 kPa-1、线性范围达0.0005–1300 kPa）及智能算法（ML/DL、CNN、SVM）融合方面的突破。重点探讨了人工智能（AI）如何驱动传感器在噪声抑制、特征提取和环境适应性方面取得进展，并详述了其在健康监测（如脉搏、呼吸、步态分析）、人机交互（HMI）（如手势识别、VR/AR）及智能机器人（如精准抓取、环境认知）等多学科领域的创新应用，最后提出了器件集成与计算延迟等现存挑战与未来方向。

　　

智能柔性触觉传感器：从器件到智能算法的跨学科演进

摘要

柔性触觉传感器凭借其可变形性、低弹性模量和高灵敏度，已成为健康监测、人机界面和仿生机器人领域的颠覆性技术。本文系统梳理了其从基础器件设计到智能算法集成，再到多学科应用的最新进展。

1 引言

相较于基于金属、压电晶体或半导体的传统刚性压力传感器，柔性对应物展现出机械可变形性、对不规则表面的优异贴合性、快速响应动力学、高灵敏度和增强的空间分辨率等独特优势。随着传感技术趋于成熟，它们像感觉器官一样产生海量数据，但缺乏有效解读数据的“大脑”。人工智能（AI）算法的引入充当了这一认知层，提供了模式识别、环境适应和自主学习等关键功能，推动着智能数据处理、多维分析和应用多样化的发展。

2 柔性触觉传感技术

2.1 传感器的基本构成

柔性压力传感器主要由柔性基底、活性层、导电电极和封装层构成。

• •
  柔性基底：提供基本支撑和共形接触界面。常用材料包括聚二甲基硅氧烷（PDMS）、聚酰亚胺（PI）、聚乙烯 terephthalate（PET）、水凝胶和纳米纤维材料。例如，通过图案化静电纺丝可以空间控制纳米纤维基底的杨氏模量。
• •
  活性层：负责将外部机械刺激转换为电信号的核心组件。例如，压阻层通常通过将石墨烯、碳纳米管（CNTs）、MXene或导电聚合物（如PEDOT:PSS）等导电填料嵌入弹性基质或纳米纤维网络中制成。
• •
  电极：负责收集和传输活性层产生的电信号。常见材料包括金属材料（如金属纳米颗粒、纳米线）、碳基材料（如CNTs、石墨烯）和液态金属（LMs）。液态金属因其室温导电性和可变形性，成为理想电极材料。
• •
  封装层：保护传感器内部结构并隔离外部环境干扰。传统材料如硅橡胶和聚酯薄膜被广泛使用。先进的封装材料还能赋予传感器自愈合等新颖功能。

2.2 传感机制

柔性压力传感器主要基于四种传感机制：

• •
  电阻式传感器：通过材料在外部机械应力下的电阻变化工作。压力导致传感层变形，改变内部导电网络。
• •
  电容式传感器：通过压力引起的电极间距、重叠面积或介电常数的变化来检测电容变化。其优势包括非接触测量、高分辨率、温度稳定性和低功耗。
• •
  压电/摩擦电式传感器：作为自供电传感器，因其低能耗和动态力检测能力而受到关注。压电传感器利用材料的压电效应，而摩擦电传感器则基于接触起电和静电感应的耦合效应。

2.3 柔性触觉传感器的关键参数

• •
  灵敏度：输出电信号变化与输入机械力变化的比值，是评估传感器精度的关键指标。通过微结构设计（如孔、柱、金字塔）可以显著提高灵敏度。
• •
  宽线性范围：确保在不同压力水平下可靠检测，解决高灵敏度和窄检测范围之间的权衡。多层或分级微结构是协调这些需求的有效策略。
• •
  其他关键参数：包括响应时间和滞后性（影响信号保真度）、稳定性和贴合性（影响使用寿命和准确性）以及抗噪能力（特别是对电容式传感器至关重要）。

3 应用于触觉传感器的智能算法

智能算法为增强触觉传感器的多维性能和实现复杂场景应用提供了系统解决方案。

3.1 智能算法简介

人工智能（AI），特别是机器学习（ML），已成为推进柔性传感系统的基础技术。ML大致分为监督学习、无监督学习和强化学习。经典算法包括支持向量机（SVM）和人工神经网络（ANN）。深度学习（DL）架构，如卷积神经网络（CNN）和循环神经网络（RNN），进一步增强了复杂传感数据的处理能力。

3.2 AI驱动的传感器性能优化

• •
  参数调优与优化：ML和强化学习有助于自适应传感器参数调整，动态优化测量状态以增强系统性能。
• •
  数据驱动建模：AI驱动的推理架构在压力/触觉数据与物理运动之间建立复杂映射，实现“数据到模型”的构建，例如通过物理信息神经网络（PINNs）进行高精度力重建。

3.3 AI驱动的模式识别与感知

• •
  姿态感知：利用传感器数据的智能训练和特征提取，可以准确识别手势、姿势和步态模式。例如，使用2D CNN模型对站立、行走、跑步、跳跃四种步态进行分类，准确率可达98.5%。
• •
  通过柔软度检测进行物体识别：柔软度检测是机器人操作的关键能力。AI算法（如1D-CNN、SVM）可解码传感器数据中嵌入的复杂时空模式，以高精度实时分类物体柔软度。
• •
  综合物体识别：结合接触或滑动过程中的触觉信号，AI算法可用于材料和形状识别。例如，通过表面微结构产生材料特定的振动频率，结合ML进行波形分析，实现物体识别。

3.4 多模态数据处理与融合

• •
  多模态触觉融合：融合不同触觉维度（如高频/低频信号）的传感器数据，以提高感知能力。例如，结合压电动态硬度检测和压阻静态纹理测量的双模式传感器，通过CNN实现纹理识别。
• •
  复杂场景中的多模态协同：触觉传感与异质传感器（如视觉、温度）的智能融合，在挑战性环境中实现精细识别。例如，触觉-视觉融合将物体分类准确率从59%（仅视觉）提高到96.5%。

3.5 传感器-智能-执行器闭环系统

将柔性触觉传感器与智能算法集成，不仅实现感知和分类，还能通过闭环控制与环境主动交互。这种控制范式对于手术机器人、假肢和自适应外骨骼等需要高精度、低延迟响应的应用至关重要。

4 新兴应用

4.1 可穿戴健康监测

• •
  生理信号监测：用于监测呼吸、脉搏和血压。传感器可置于鼻/口附近检测气流，或附着于胸/腹部检测横膈膜运动引起的压力变化。与ML算法结合，可实现血压估计和健康风险识别。
• •
  运动与姿态分析：通过分布在身体多个区域的离散传感单元检测局部压力变化，推断全身位置变化。智能鞋垫和姿势监测背心等设备，结合AI算法，可用于运动指导、跌倒检测和康复评估。
• •
  医疗设备辅助：在止血医疗设备中监测压迫压力，并根据患者特征智能调整压力强度，提供个性化、直观的手术止血指导。

4.2 人机交互（HMI）

• •
  智能交互设备：大面积触觉传感阵列可用于手势识别和手写识别。单点设备也可根据压力波形识别笔迹。触觉传感器还可用于声音检测，实现语音控制。柔性触觉传感器也出现在自主和辅助驾驶中。
• •
  VR/AR集成：触觉传感器通过高保真信号采集和DL驱动的特征提取捕获真实世界的触觉特性，用于在AR/VR环境中构建准确的触觉感知模型，实现真实的力和纹理复制，增强沉浸式交互。

4.3 智能机器人

• •
  精准操控：集成触觉传感器的人形机器人，形成具有信号采集、处理和反馈控制的闭环系统，用于自适应抓握力调整。3D触觉传感器可通过剪切力动力学推断质量变化，实现变质量物体操控过程中的持续力优化。
• •
  环境认知：触觉-视觉等多模态感知使机器人能够实现环境和物体的深度感知。例如，结合视觉和触觉感知来估计抓取物体的姿态和形状，实现物体识别和操作。在视觉判断不足的情况下，利用触觉识别物体和材料，可有效补偿视觉物体识别的短板，应用于智能农业、智能采摘、火星探测和家庭机器人助手等领域。

5 挑战与未来展望

5.1 技术局限

• •
  柔性触觉传感器集成挑战：结构不稳定性（如机械变形过程中的界面分层）以及传感器、贴合表面和外部电路之间的不可靠连接是持续挑战。不同传感器类型的异质信号特性使数据采集和处理复杂化。
• •
  算法复杂性与延迟约束：最先进的智能算法，特别是DL模型，面临计算复杂性和实时响应性之间的权衡。高精度触觉感知任务常因神经网络的计算强度而出现延迟。

5.2 新兴研究前沿

• •
  滑觉感知传感器：涉及单点接触下剪切力和表面滑动状态的同时测量。当前研究主要利用柔性压力传感器阵列通过接触轨迹分析间接推断滑动。直接单点滑动检测和3D剪切力解耦是新兴领域。
• •
  多模态传感器融合：下一代触觉系统将日益依赖与视觉、温度和惯性传感器的协同交互，以实现稳健的环境认知。
• •
  集成系统小型化与成本降低：触觉传感的商业化取决于克服小型化和成本障碍。能量自给自足通过混合摩擦电-压电能量收集器来解决。芯片级集成是最终目标。
• •
  柔性传感系统的混合集成：未来的智能触觉平台将严重依赖于柔性传感器与刚性计算芯片、无线通信模块以及能量收集/存储单元的异质集成。克服软硬组件之间的机械失配是一个重大挑战。

6 结论

本文系统总结了柔性触觉传感器在新型材料与结构设计、智能算法增强触觉感知能力以及新兴应用三个关键领域的最新进展。指出了界面不稳定性、异质信号集成和边缘计算延迟等持续存在的技术挑战，并概述了多模态融合架构和芯片级集成策略等未来研究重点。通过整合基础见解与应用导向的视角，本工作为指导开发具有增强性能、嵌入式智能和跨领域适应性的下一代柔性传感系统提供了全面的参考框架。