一种受章鱼启发的软体机器人臂，通过分布式传感技术实现外围控制，从而实现自主水下抓取功能

《Nature Machine Intelligence》：Peripheral control enabled by distributed sensing in an octopus-inspired soft robotic arm for autonomous underwater grasping

　　摘要：章鱼通过其灵活的触手中的分布式感知和控制机制展现出卓越的运动灵巧性。受这一生物模型的启发，我们设计了一种由肌腱驱动的软体机器人臂，该臂在吸盘上嵌入了光电器件，并采用了一种基于分层行为的控制架构。每个仿生吸盘集成了发光二极管和光敏晶体管，通过光反射来检测接触力和方向，实现了高灵敏度（在0–2-N范围内约为400 mV N?1）和方向精度（误差小于18°）。这些传感器在干燥和潮湿环境中都能可靠运行，且具有最小的漂移和滞后现象。它们紧凑的模块化设计便于系统集成。分层控制架构使得吸盘层面能够实现局部反射，同时全局协调实现自主抓取。该系统能够可靠地检测接触事件、估算力和方向，并推断物体相对于手臂的位置，从而实现有目的的交互。这项工作推动了传感器集成软体机器人技术的发展，展示了受生物学启发的设计在非结构化环境中的适应抓取潜力。

机器人技术的一个核心目标是赋予人工物理系统足够的自主性和功能性，使其能够在真实世界环境中安全高效地运行。然而，非结构化、动态且不可预测的情境（如城市或自然环境）所带来的挑战继续限制了机器人在受控工业环境之外的适应性和应用范围。相比之下，生物系统在这些环境中展示了强大的适应性和可塑性行为。对自然生物的一个关键观察是，柔软、柔顺的结构在通过与身体和环境的紧密互动中起着塑造行为和处理信息的作用。任何个体的生存都依赖于分布式感知，包括触觉感知，这在实现运动和操控的闭环控制中起着基础性作用。物理系统收集和解释周围环境中的感知信息的能力对于适应性和智能行为至关重要。章鱼是一个体现神经系统与身体形态适应性共同演化的典型例子。章鱼拥有完全水静力结构的身体和八条具有无限自由度的肌肉连续触手，其复杂性通过控制基本运动原语（如伸展、缩短、弯曲和扭转）得以简化。每条触手的腹侧都配备了一排或两排吸盘，能够在非多孔表面上产生强大的附着力。吸盘具有密集的感官神经支配，从轴向神经索延伸到吸盘神经节（SG）。虽然SG被假设为吸盘运动程序的反射控制中心，但似乎邻近吸盘之间的协调也涉及轴向神经索。有研究表明，大部分感知信息是在触手的周围神经系统（PNS）中处理的，形成了多个局部神经回路（LNC），激活典型的运动而不一定需要经过中枢神经系统（CNS）的参与，这与骨骼动物不同。尽管CNS似乎控制着目标导向运动的规划和执行，但CNS和PNS之间存在着明确的劳动分工。高灵巧性、分布式感知和周边信息处理的结合使章鱼成为开发具有丰富配置能力和去中心化、传感器驱动控制架构的自主机械手的理想模型。

多年来，通过对章鱼运动控制的研究揭示了体现性组织的关键原则，这些原则启发了许多软体机器人研究。研究实例包括在空气、湿滑和脏污条件下工作的软体操纵器和夹持器，以及运动系统。最近，人们通过气动逻辑门和流体驱动手指中的压力反馈模仿了章鱼的局部反射回路。然而，将章鱼式的灵巧性和分布式触觉感知集成到软体机器人臂中仍然是一个未解决的任务。现有的受章鱼启发的机器人臂虽然配备了吸盘，但在集成分布式感知和保护灵巧性之间存在权衡，例如通过将臂部运动限制在单一平面内或仅限于简单的附着/脱离检测，而无法测量接触力或方向。这种集成在适当尺寸电子元件的同时，需要保持软体体的柔顺性和机动性，同时降低制造复杂性。

在各种感知方法中，光学传感器尤其适合集成到软体中。它们测量光强度，通常由光源、光电检测器和光学耦合这两个组件的波导组成。当嵌入到柔软的反射性机体中时，发光二极管（LED）和光电检测器阵列可以通过检测改变光反射和信号强度的局部变形来检测接触事件。类似的光学检测也可以使用光纤维实现，无论是通过可变形的反射表面在光源和相机之间传输光线，还是直接作为力传感器，在变形时调节光强度。基于这一原理，可以利用弹性层作为机械基底和波导，沿着边缘集成LED和光电检测器，来实现光电子软触觉皮肤。这些策略展示了光学方法在软体系统中的触觉感知潜力，但尚未明确如何利用这种感知来驱动丰富、适应性强的行为。为了解决这一挑战，本文提出了一种由肌腱驱动的软体机器人臂，它独特地将分布式光学感知与适应性行为生成相结合，保持了柔顺性并实现了丰富、多模态的交互。我们的系统在感知精度、紧凑性和无缝机械集成之间取得了平衡，使手臂能够区分和利用多种感官信息（接触/无接触、力量大小、方向）来激活复杂的运动（腹侧/背侧弯曲、扭转）。集成的传感元件和电子设备提供了可靠、可重复的信号，支持生物启发的分层控制系统，实现了触觉增强的、适应性和智能行为。

图1：生物模型与人工模型之间的对比。人工智能可能生成了该图像的替代文本。

a. 人工软臂复制了章鱼的灵巧性，执行不同的抓取配置（腹侧和背侧弯曲及扭转）。人工臂模仿了章鱼的分布式但分层组织的控制架构。章鱼拥有一个位于中枢神经系统（CNS）内的小型大脑，负责协调高级行为，而周围神经系统（PNS）通过臂间连接（IAC）电路实现多臂协作。

b. PNS分布在触手上，并构建在位于吸盘中的局部神经回路（LNC）中。LNC包含约3.5亿个细胞，占章鱼所有神经元的约三分之二。大多数细胞位于从大脑延伸到触手的轴向神经索中。

c. 在机器人中，人工吸盘被设计成适合锥形臂的尺寸，类似于自然状态下的吸盘。机械感受器分布在吸盘上，用于检测接触、方向和每个吸盘所受的力，为自主抓取提供反馈。局部处理触发类似反射的行为（即吸盘吸合），当信号传递到外围控制时；这些信号被组合以确定肌腱的激活策略。

d. 在右下角连续序列中展示了手臂配置空间的一些实例。

机器人臂模仿了章鱼手臂的形态，呈圆锥形（长度410毫米，基部直径40毫米），十个传感器化的吸盘从基部到尖端逐渐变小（从20毫米到12毫米）。每个吸盘嵌入了商用光电器件，位于多彩的弹性基质中。分析和数值建模优化了硅胶杆的几何形状，以在低力下实现高灵敏度（在0–2-N范围内约为400 mV N?1），同时最小化外部光线的干扰。实验验证了系统能够检测施加力的大小和方向，推断物体的重量，并定位手臂上的接触位置。

所采用的解决方案具有高可靠性、紧凑的读出电子设备、低功耗和小型尺寸，允许集成到小型吸盘中，而无需笨重的刚性部件。这改进了现有的实现方式，后者通常需要较大的直径、笨重的刚性组件、复杂的布线，或者缺乏方向敏感性。

分布式触觉感知为一种受生物启发的控制架构提供了支持，该架构结合了局部反射回路和PNS处理，以协调自主抓取行为。水下实验证明了机器人能够检测并定位多个圆柱形或相对较小物体的接触，并执行类似自然的自主抓取。通过融合多个吸盘的数据，机器人可以识别物体相对于其中心轴的姿态，并通过杯级电路触发基于扭转的抓取或局部吸盘反射，从而实现上下文依赖的交互。研究结果表明，无论是吸盘尺寸、预加载还是施加的压力，都未显著改变拉扯过程中的力-信号行为（参见补充图3和补充图1e,f）。图h显示了在不同压力下，所有吸盘尺寸和测试条件下的最大拉力（以绝对值表示的最小拉力）。图i展示了在不同边缘深度进行的圆形压痕测试，考虑了吸盘直径（d）和物体的因素。示意图显示了在三个压痕瞬间，每个传感器处于最大灵敏度时相对于物体的位置。极坐标图显示了三个传感器沿接触方向的信号值（{\bf v}_{1\it{j}}, {\bf v}_{2\it{j}}, {\bf v}_{3\it{j}}），这三个不同的颜色等级对应于不同的吸盘S。图中，OS是吸盘的坐标系，Oxy是圆盘的坐标系。接触方向是通过基于这三个信号值的加权矢量和来定义的（方法部分）。图j显示了在不同压痕深度下，实际接触方向与估计接触方向之间的绝对平均误差（以度为单位）。对于图d、g和j中的箱形图，中间线分别表示中位数和第25/75百分位数； whiskers延伸到非异常极值数据；平均值通过十字标记表示。样本量（n）和重复次数（nr）如下：图d中n=3，nr=300；图g中n=3，nr=10；图j中n=1，nr=180。

在拉脱实验的单一周期中，可以区分出几个阶段（见图2e,f）：首先，吸盘接近物体；接触时，真空产生吸力，导致负载传感器测得的力变为负值，同时传感器感知到的信号也变为负值。吸盘继续压缩，直到达到设定的预压缩值（图2e中的1N）。此时开始拉扯阶段，力和吸盘信号都减小并变为负值。当吸盘达到最大拉力时，它会被拉伸并突然释放。特别是，在拉扯过程中，拉力表现出几乎线性的行为，同时信号值为负值。随着真空压力的增加，这种线性行为仍然保持一致（见图2g）。然而，最大可实现的力（负力的绝对值）随着吸盘尺寸和吸压力的增加而增加（见图2h和补充图3及1e,f）。负信号值可以用来识别被抓取的物体并估计其重量，这遵循信号和力之间的线性关系（补充图3）。结果显示，拉力的平均灵敏度为472.3±47 mV N^-1，与压缩时的394.9±21 mV N^-1相近。

方向接触测试（图2i）表明，计算出的接触位置（通过光电晶体管读数的加权矢量和定义；方法部分）与实际接触位置之间的差异最小（三种不同尺寸的吸盘的最大误差均小于18°，绝对平均误差均小于8°），当接触发生在边缘的近端部分时（压痕等于d/3，其中d是吸盘直径），随着接触面积的逐渐增大（例如，当压痕等于2d/3时，最大误差小于40°，绝对平均误差小于22°）（见图2j）。随着接触面积的进一步增大，区分接触方向的能力减弱，因为来自光电晶体管的接触方向提示变得相对微不足道。

软臂架构和控制
柔软的锥形臂（图3a）在背面包含一条直肌腱（T3），与吸盘相对，而在腹面以交叉配置排列着两条肌腱（T1和T2）（方法部分）。背面肌腱可实现平面内的背向弯曲（T3被拉动；T1和T2释放），而腹面肌腱可实现平面内的腹向弯曲（T1和T2同时被拉动；T3释放），以及顺时针旋转（T2比T1拉得更多；T3释放）和逆时针旋转（T1比T2拉得更多；T3释放）。通过这种肌腱排列，臂可以覆盖扩展数据图中所示的配置空间，相对于其基部。然后通过位于臂基部的旋转关节，围绕直臂轴旋转360°来获得臂的配置空间。外部载荷，如抓取过程中施加的力，由于软结构的固有柔顺性，会导致配置变化（例如，相对于扩展数据图中显示的无载荷姿态）（补充图4）。尽管如此，我们的臂能够抓取并承受高达约500克的载荷（补充图5）。

图3：受章鱼启发的软体机器臂架构和控制。
该图像的替代文本可能是使用人工智能生成的。
全尺寸图像
a. 原型臂及其物理组件的示意图：包括蠕动水泵、肌腱滑轮和电机，以及其基部的软臂特写，展示了臂围绕其（直立姿态）轴的旋转关节、三条肌腱、吸盘通道以及进入臂内的电子和通信线缆。四个大型（L）、四个中型（M）和两个小型（S）人工吸盘被集成到臂中，并分为四个吸盘通道。内部，软臂在腹面包含两条肌腱（绿色（T2）和蓝色（T1）），在背面包含一条肌腱（黄色（T3））。每个吸盘的感觉板连接到一个连接板。它们共同构成了类似自然模型的局部电路，由SG和BG组成。多个连接板串联排列，并连接到一个主板，该主板嵌入了外围控制（PNS），并与外部PC接口以便调试。
b. 如文献57中描述的章鱼神经电路。LNC和外围神经系统的相关元素被突出显示，并通过虚线矩形映射到人工臂的物理架构上。
c. 机器人臂的提出的控制方案实现了多个并行运行的LNC控制层，每个吸盘一个，以及一个层次上更高级的PNS层。LNC层检测接触，确定接触方向并触发局部吸力（每个LNC独立运行，并与其他LNC和PNS并行）。PNS层收集来自所有吸盘的接触方向信息，并在需要时覆盖LNC的行为。PNS层执行的主要操作的紧凑伪代码在框中展示，同时附有说明不同抓取方式的示意图。PID控制，即比例-积分-微分控制。

软臂的控制灵感来自章鱼神经电路的层次组织和分布式特性，每个吸盘上都有一个SG和鳃神经节（BG）（图3b）。与生物模型类似，我们的臂的物理架构具有感觉神经支配的吸盘，每个吸盘都与一个SG（感觉板）连接，该SG连接到BG（连接板），从而形成一个LNC（图3a,b）。在我们的系统中，与章鱼不同，来自多个吸盘的信息汇聚到沿着臂分布的单独BG中，以最小化负担（方法部分）。当前的实现不包括中枢神经系统功能或臂间的通信。我们更关注单臂，并通过主板协调来自所有吸盘的分布式感觉数据来模仿PNS。

嵌入式控制具有层次结构。顶层的PNS层连接多个较低的LNC层，每个吸盘一个（图3c）。并行的LNCs在至少一个光电晶体管信号（归一化到smax后）超过灵敏度阈值（{v}_{{a}_{{\rm{th}} > 0）时，触发局部吸力。同时，感觉信息被发送到PNS层，PNS层确定抓取策略（进而可以权威地重新调节吸力的激活/解除激活，详见下文），并触发肌腱的驱动。

我们定义了一组简化的、非最优的抓取策略用于概念验证演示，这些策略基于物体相对于臂纵轴的方向角度β（在直立姿态下），通过活跃的吸盘进行估计（方法部分提供了额外的细节）：（1）如果最后三个外围吸盘中的至少一个（SC 8–10）检测到接触，则触发背向弯曲；（2）如果只有一个吸盘（从SC 1到SC 7）建立接触，则触发腹向弯曲；（3）如果多个吸盘检测到接触，则根据物体估计的姿态β执行腹向弯曲或顺时针/逆时针旋转；（4）当物体几乎与臂的纵轴对齐时，虽然有吸力但没有命令肌腱动作。与局部反射同时，PNS处理来自吸盘的信息（即局部接触方向），并在观察时间窗口Δt后确定抓取策略。抓取的定义也可以覆盖局部电路的行为。具体来说，在执行背向弯曲时，PNS只保持与在Δt内检测到接触的吸盘相关的组激活。在所有其他情况下，PNS控制LNCs并激活所有吸盘的吸力（图3c）。这是因为我们观察到这种策略在水中效果更好，特别是在物体可能漂浮或滑动的条件下。

通过臂中的吸盘检测接触、力和方向
完全集成的软臂被悬挂在空中，以测试单个吸盘的读数（补充视频1）。将吸盘封装在臂内并未影响信号的可靠性（图4a）。系统能够清楚地识别哪个吸盘被触碰，因为每个信号的基线都有所变化。接触力可以通过杯内光电晶体管的累积信号识别出来，也可以识别不同的接触方向。

图4：臂的感觉反馈。
该图像的替代文本可能是使用人工智能生成的。
全尺寸图像
a. 带有物理组件示意图的原型臂：包括蠕动水泵、肌腱滑轮和电机，以及其基部的软臂特写，显示了臂围绕其（直立姿态）轴的旋转关节、三条肌腱、吸盘通道以及进入臂的电子和通信线缆。四个大型（L）、四个中型（M）和两个小型（S）人工吸盘被整合到臂中，并分为四个吸盘通道。内部，软臂在腹面包含两条肌腱（绿色（T2）和蓝色（T1）），在背面包含一条肌腱（黄色（T3））。每个吸盘的感觉板连接到一个连接板。它们共同构成了类似于自然模型的局部电路。多个连接板串联排列，并连接到一个主板，该主板嵌入了外围控制（PNS），并与外部PC接口用于调试。
b. 如文献57中描述的章鱼神经电路。LNC和外围神经系统的元素被突出显示并通过虚线矩形映射到人工臂的物理架构上。
c. 机器人臂的提出的控制方案实现了多个并行运行的LNC控制层，每个吸盘一个，以及一个层次上更高级的PNS层。LNC层检测接触，确定接触方向并触发局部吸力（每个LNC独立运行，并与其他LNC和PNS并行）。PNS层收集来自所有吸盘的接触方向信息，并在需要时覆盖LNC的行为。PNS层的主要操作的一个紧凑伪代码在框中展示，同时附有说明如何区分不同抓取方式的示意图。

软臂的控制灵感来自章鱼神经电路的层次组织和分布式特性，每个吸盘上都有一个SG和鳃神经节（BG）（图3b）。与生物模型类似，我们的臂的物理架构具有感觉神经支配的吸盘，每个吸盘都与一个SG（感觉板）连接，该SG连接到BG（连接板），从而形成一个LNC（图3a,b）。在我们的系统中，与章鱼不同，来自多个吸盘的信息汇聚到沿臂分布的单独BG中，以最小化负担（方法部分）。当前的实现不包括中枢神经系统功能或臂间通信。我们更关注单臂，并通过主板协调来自所有吸盘的分布式感觉数据来模仿PNS。

嵌入式控制具有层次结构。顶层的PNS层连接多个较低的LNC层，每个吸盘一个（图3c）。并行的LNCs在至少有一个光电晶体管信号超过灵敏度阈值（{v}_{{a}_{{\rm{th}} > 0）时触发局部吸力。同时，感觉信息被发送到PNS层，PNS层确定抓取策略（进而可以权威地重新调节吸力的激活/解除激活），并触发肌腱的驱动。当最后一个吸盘检测到接触时（图4c，点1），局部电路正确地激活了第四组的吸力。一旦粘附建立（图4c，点2）并且在启动之前，信号变得稳定，就可以利用之前建立的累积信号与拉力之间的线性关系来估计物体的表观重量（大约72.5 gf）（斜率，430 mV N?1；补充图1f）。有趣的是，在吸力作用下，信号会快速短暂下降，这会重置PNS用于确定物体姿态的观测窗口（补充视频2）。然而，局部反射在首次接触时就会立即激活局部吸力，在整个动态过程中保持与物体的粘附，确保了成功的抓取。

通过将物体以不同的倾斜角度放置在吸盘上，我们在水下条件下测试了基于行为的分层控制策略的有效性，以驱动类似自然的运动（补充视频3）。传感器读数可以清楚地识别物体与各个吸盘的接触情况（图5a（黑色实线）以及SC 3和SC 4吸盘的特写视图（虚线黑色矩形）。当一个人造吸盘检测到接触时（\(\exists i\,{\rm{s}}.{\rm{t}}.\,{||}\bf{v}_{{i}{j}}{||}/{s}_{\max } > {v}_{{a}_{\mathrm{th}}\)），它会立即为其组激活吸力（补充视频4），从而便于粘附到物体上并随后进行抓取。

图5：水下抓取中的臂部感知和控制循环。

替代文本可能是使用AI生成的。

完整图像：
a. 手臂与一个圆柱形物体接触以测试控制策略。图表显示了每个吸盘随时间的信号输出，以及相应的肌腱激活情况（上方）。当一个吸盘检测到接触（来自光电二极管的信号||\(\bf{v}_{{i}{j}}\)||标准化后的值超过\({v}_{{a}_{\mathrm{th}}}=0.25\)）时，它会为其吸力组触发吸力，外围控制系统会评估并存储物体倾斜角度β，时间延迟为Δt?≈?4?s，使用方程（3）和（4）进行计算。在这个时期结束后，平均值β被用来触发肌腱激活。在肌腱激活期间的信号特写显示，未与物体接触的人造吸盘呈现出特征性的线性下降趋势。
b. 手臂开始缓慢的腹侧运动（点1）。尽管手臂弯曲，但一个圆柱形物体被放置在其前方，并且接触被正确检测到（点2）。手臂继续弯曲，直到Δt（约4秒）的时间延迟过后，然后自动纠正动作（点3）以执行扭转并抓取物体（点4）。特写视图突出了在观察窗口期间接触的吸盘（虚线黑色矩形）的基线偏差，以及在随后的激活窗口期间接触和未接触的吸盘（虚线红色矩形）的基线偏差。

可以注意到，在激活过程中，即使那些未与物体接触的吸盘（图5a中的虚线红色矩形），所有信号也会略微偏离它们的基线。这种现象是由于激活感知的串扰造成的，但这种串扰只在PNS确定了抓取动作之后才会发生，而PNS本身的功能不受影响。特别是，在激活过程中未与物体边缘接触的吸盘（图5a中的吸盘1和4–10）的信号也表现出特征性的下降趋势，且信号强度随着肌腱张力的增加而增加。相反，当手臂接触物体时，接触部位的吸盘系统地显示出正向变化，甚至达到正值（补充图6和7）。

为了进一步验证我们系统的可靠性，我们在手臂已经在运动的情况下（例如，在腹侧或背侧弯曲时）挑战了嵌入式控制系统来检测和抓取物体（补充视频4）。连续缓慢的手臂运动直到检测到接触点，这种策略可以作为基本搜索策略，可能有助于探索脆弱/未知的环境。图5b显示了测试结果，手臂与一个圆柱形物体接触并执行了腹侧弯曲。图表展示了接触检测的瞬间（约8秒）以及PNS确定抓取动作之后的变化（约12秒）。特别是，在缓慢的腹侧弯曲过程中，信号保持了其特征性的基线模式，没有明显的感知与激活之间的串扰效应。一旦抓取动作被触发，未接触物体的吸盘显示出特征性的线性下降行为。重要的是，通过观察偏离线性趋势并变为正值的信号，仍然可以辨别哪个吸盘与物体接触（例如，在图5a（SC 2）和图5b（SC 4）中的虚线红色矩形中）。

带有嵌入式控制策略的手臂通过成功检测并自主抓取多个（形状相似的）圆柱形或相对较小的物体，在各种复杂的水下和未知场景中展示了其有效性，这些场景包含不同的运动和搜索任务组合（图6和补充视频5展示了更多的例子）。

a. 手臂使用基部的旋转关节来水平探索环境。当检测到与外部物体（一个玻璃瓶）的接触时，搜索任务停止，PNS计算物体的姿态并触发抓取动作。
b. 手臂处于垂直位置时，接触到圆柱形物体并正确触发腹侧弯曲。
c. 远端的吸盘与一个空杯子接触，仅触发局部吸力和背侧弯曲。
d. 手臂水平放置，腹侧朝下，通过腹侧弯曲来探索环境。当检测到接触时（示例中使用了一个人造海星），激活局部吸力，PNS适时计算背侧弯曲以取回物体。

讨论：
这项工作展示了一种受章鱼启发的软体机械臂，该机械臂配备了带传感器的吸盘，提供外感受性触觉反馈并支持外围分散式控制架构。通过将光电传感器直接嵌入软质吸盘的柄部，我们开发了一个分布式感知平台，使机械臂在抓取任务中具备自主性和适应性。吸盘的设计和材料经过优化，能够在低接触力下实现高灵敏度，这与软质手臂的机械特性相匹配，后者天然限制了最大接触力，特别是在其周围部位。这种设计使得通过集成吸盘可靠地检测到轻柔的互动成为可能，同时保持整体的柔软性和顺应性。这使得它适用于精细操作和潜在的水下应用。

传感器位于吸盘的柄部，这个柄部的尺寸在不同大小的吸盘之间是恒定的。这确保了信号与吸盘直径无关。对吸盘的表征显示，传感器输出与施加的力之间具有高线性关系，使得系统能够高精度地检测到接触及其方向性（<18°）。通过增加独立感知应用中的LED-光电二极管对的数量，可以达到更高的精度。然而，在这项工作中，我们使用了三对传感器，因为这是实现方向区分和保持可扩展性、可集成性、能源效率、数据采集速度以及在软质手臂中实现紧凑机械集成所需的最小数量。预加载效应也可以忽略不计，进一步简化了传感器的校准和解释。滞后效应在潮湿条件下和较高力作用下（约2 N；补充图1d）会增加，但在操作力范围内这不是主要问题，只要保持接触检测的准确性即可。表征结果显示了不同吸盘实现之间的可比性，因此不需要单独校准每个吸盘，并标准化了信号解释。所提出的吸盘技术推动了当前的技术水平（补充表4），评估了其在柔软细长身体中的可扩展性和集成性。大多数现有的带传感器的吸盘解决方案依赖于外部处理单元（例如，光学解调器、压力传感器或基于摄像机的图像处理），这些限制了在细长软体体内的紧凑集成。一些方法还依赖于基于机器学习的数据解释和集中式处理。相比之下，所提出的光电架构将感知元件和读出电子设备直接集成在手臂内部，使得吸盘小型化（直径12–20毫米），与柔软的连续體操作器兼容。力是通过直接的线性mV–N校准来估计的，而接触方向则是通过三个光学通道的矢量和实时重建的，避免了复杂的外部处理。所提设计中使用商用光电元件也有助于环境鲁棒性和适应性，无论是在干燥还是水下条件下，都能缩短开发时间和成本。

关于手臂，肌腱驱动的激活与感官输出之间的现有串扰（图4）并不构成有害限制。首先，这是软体系统（包括生物模型）的固有特性，在这些系统中，外部作用力和内部作用力在嵌入式传感器上的完全解耦是不存在的。此外，观察到的信号偏离基线的现象在周期内高度可重复。特别是，它们始终呈负值，并且随着肌腱张力的增加而增大；而当手臂接触物体时，接触部位的吸盘表现出明显的正向响应（补充图6和7）。这种显著差异可以用于未来实现中的本体感觉反馈。此外，从长远来看，转向神经形态计算来进行外感受性和本体感觉的联合解释，可以使系统更接近地模仿自然神经电路。

为了确保我们手臂的长期可靠性，所有组件都经过选择和设计，以确保在潮湿环境中的机械耐用性和稳定性。具体来说，我们还考虑了潜在的故障模式，以选择和测试单个组件和子系统（补充表5），并开发出具有高耐久性的软体手臂（补充图8）。在这些初步设计选择的基础上，可以通过对手臂任务的扩展表征（例如，作为更大系统的一部分）及其实际工作环境，进行更广泛和系统的潜在故障模式分析（例如，通过故障模式和效应分析方法）。

除了感知之外，系统架构还支持模块化和可扩展性。由于吸盘的可扩展性，沿手臂数量的配置可以很容易地变化。这一特性不仅在分配附着点方面提供了灵活性，而且在调整外感受性位置的分布方面也是如此。这对于丰富软体机械手的硬件和控制设计非常重要，使其能够满足各种应用需求。这项工作提出了一种紧凑的设计解决方案，用于软体机械臂，它集成了感知和计算功能，实现了局部层面的感知和激活之间的紧密耦合，并支持手臂层面的决策制定，以激活多样化的抓取策略。特别是，局部反射行为的集成（独立且并行执行）与更高层级的决策制定相结合，使得对接触的响应更加迅速。局部吸力的激活稳定了最初的接触，随后由外围电路触发有意的肌腱激活，进一步稳定了抓取动作。通过在每个吸盘处局部处理触觉信号，并仅将接触方向信息传输给PNS，分布式架构限制了通信带宽要求，并减少了中央计算负载。这使得系统能够扩展到更多的吸盘（以及潜在的多个手臂），而不影响采集率或响应速度，与需要连续传输原始传感器数据的集中式方法不同，后者在中央控制器上有更高的计算负载。

我们的机械臂通过成功检测并自主抓取多个（形状相似的）圆柱形或相对较小的物体，在各种复杂的水下和未知场景中展示了其可行性，这些场景包含不同的运动和搜索任务组合（图6和补充视频5展示了更多的例子）。

a. 手臂使用基部的旋转关节来水平探索环境。当检测到与外部物体（一个玻璃瓶）的接触时，搜索任务停止，PNS计算物体的姿态并触发抓取动作。
b. 手臂处于垂直位置时，接触到圆柱形物体并正确触发腹侧弯曲。
c. 远端的吸盘与一个空杯子接触，仅触发局部吸力和背侧弯曲。
d. 手臂水平放置，腹侧朝下，通过腹侧弯曲来探索环境。当检测到接触时（示例中使用了一个人造海星），激活局部吸力，PNS适时计算背侧弯曲以取回物体。在未来的研究中，将探讨更广泛的抓取对象，甚至可以根据特定应用的目标和限制来优化手臂的承载能力。此外，虽然当前研究不需要肌腱感知反馈，但在未来的特定应用实施例中可以将其结合进来，以开发更精细的控制策略。尽管当前实现中进行了简化，但所提出的分布式、嵌入式感知和控制方法使这种柔软的连续性机械臂能够在不依赖外部集中控制的情况下自主响应接触事件。这是朝着更加智能、适应性强和灵活的软体机器人迈出的重要一步。

## 方法

### 吸盘设计
所提出的传感器吸盘利用光强度测量来检测触觉刺激。一个微型电子板（直径7.3毫米）包含三个LED灯，这三个LED灯之间间隔三个光敏晶体管，并以120度的角度环形排列，集成在吸盘的杆部上，并朝向一个反射表面（扩展数据图2）。已经实现了小尺寸（S=12毫米）、中尺寸（M=16毫米）和大尺寸（L=20毫米）的吸盘（图1），同时保持三种尺寸的杆部直径（10毫米）不变。

吸盘由Ecoflex 00-50硅橡胶制成。其柔韧性（在150–400千帕的范围内）确保了足够的变形能力，能够适应粗糙表面，并在低接触力（<1牛顿）下实现良好的灵敏度（补充图9a）。这种高柔韧性还增强了封装效果和抓握力。此外，所选的弹性体在可见光和近红外范围内相对透明（透射率，1–5毫米厚度为50%–20%；补充图9b），允许光线以较低的衰减穿过吸盘主体，从而减少光强度和功耗。一个反射表面被放置在距离电子板特定距离的位置，将LED光导向光敏晶体管。这个表面是通过在基材硅橡胶中添加白色颜料来实现的（补充图9c,d）。这简化了制造过程，并保持了吸盘的柔软性和机械完整性。为了屏蔽外部光线对内部导波的干扰，还添加了一层黑色硅橡胶（通过将黑色颜料加入基材中；补充图9c）。此外，采用了差异测量策略来进一步减少环境光的影响：在没有LED照明时的信号从有LED照明时的信号中减去，有效地去除了背景贡献（补充图10）。

### 光学传感器建模
根据光电板的尺寸，我们最初选择了10毫米的外径作为吸盘的杆部，以及2毫米的内径作为中央真空通道。为了实现所需的微型化设计，我们假设了相对较薄的黑色硅橡胶屏蔽层：中央通道为0.1毫米，外边界为1毫米。另外，我们将白色硅橡胶的厚度设置为1毫米，以获得轴向紧凑性和易于制造。基于上述初始选择，考虑中的光学工作厚度（在扩展数据图2中表示为h），即反射表面与LED灯和光敏晶体管外表面之间的轴向距离，是可以通过最大化光学读数的灵敏度来自由设计的参数。

为此，我们使用了分析和数值建模（补充文本）。首先开发了一个简化的二维分析模型（扩展数据图2d），用于研究单个LED灯-光敏晶体管对在较小h值时的竞争效应，此时短而高度倾斜的光线能够到达光敏晶体管。较短的路径减少了通过半透明介质的强度损失，而较高的倾斜角度由于LED灯和光敏晶体管的角度响应而减弱了光线（补充图11a）。该模型预测在h≈0.5毫米时这些竞争效应达到平衡（补充图11b），随着h的增大，沉积功率和灵敏度都呈单调递减趋势。扩展数据图2d展示了代表性的趋势。

为了利用二维近似的提示，我们引入了一个三维（3D）数值模型（扩展数据图2e），该模型考虑了实际几何形状、材料特性以及LED灯/光敏晶体管的特性。3D模型证实了当h>0.7毫米时，沉积功率和检测灵敏度呈递减趋势。为了确保在变形下的信号响应呈单调性，选择了1毫米的光学厚度，这个厚度位于非单调转变点（约0.5毫米）之上，同时保持了高灵敏度，因为2牛顿的负载在该单调范围内会导致约0.3毫米的缩短。

## 接触方向的计算
当吸盘接触物体时，如果接触方向朝向传感器，每个光敏晶体管的信号强度最大；当接触错位时，信号强度会减小，当接触方向相反时，信号强度达到最小。基于这一特性，我们定义了一个向量vij，它指向吸盘j中的每个光敏晶体管i，其大小\({||}\bf{v}_{ij}{||}\)等于该方向的信号强度。通过将每个光敏晶体管的平均最大信号（smax=66.7毫伏，力为0.5牛顿）进行归一化后，我们计算了接触方向（sj）和接触角（αj），其计算公式为：
$$
{\bf{s}}_{j}=\mathop{\sum}\limits_{i=1}^{3}{\bf{v}}_{ij},
$$
$$
{\alpha }_{j}={\tan }^{-1}\frac{{s}_{j{\rm{\_}}\,y}}{{s}_{j{\rm{\_}}x}.
$$

## 物体姿态估计和抓取选择
物体相对于手臂纵向轴的姿态是通过将每个吸盘的接触方向向量（sj）相加来近似估计的，这些向量在下半平面反射后与上半平面对齐，从而得到累积接触方向（r）：
$$
{\bf{r}}=\mathop{\sum }\limits_{j=1}^{10}{\bf{s}}_{j}.
$$
物体相对于手臂中心轴的倾斜角度可以通过法线与\(\vec{r}\)之间的角度得到：
$$
\beta =\left({\tan }^{-1}\frac{{r}_{y}}{{r}_{x}}+\frac{{\rm{\pi }}}{2}\right)\,\mathrm{mod}\,{\rm{\pi }},
$$
如果物体垂直于手臂轴，则β=0；如果它们对齐，则β=90°。在控制过程中，会设置一个时间延迟（Δt），以允许系统达到相对稳定的接触状态，在此期间信号也会稳定（图5a）。根据具体应用场景，这个观察时间窗口可以缩短或延长。然后通过沿Δt使用公式（4）获得的β角度的平均值来评估物体的倾斜角度。从每个吸盘收集的信息、它们的单独激活（从无刺激状态开始的信号上升）以及关于物体倾斜的汇总信息决定了抓取策略，并触发肌腱的激活。如果最后三个外围吸盘（SC 8–10）中的至少一个检测到接触，则会触发背侧弯曲；如果只有其他一个吸盘建立接触，则触发腹侧弯曲；如果多个吸盘检测到接触，则遵循阈值策略。如果\(\beta > 160^\circ\)或\(\beta < 20^\circ\)，则触发向腹侧弯曲；如果\(20^\circ \le \beta \le 80^\circ\)，则执行顺时针旋转；如果\(100^\circ \le \beta \le 160^\circ\)，则执行逆时针旋转。如果超过四个吸盘感知到接触或\(80^\circ < \beta < 100^\circ\)，则物体可能与手臂中心轴对齐；因此，不会激活肌腱，只进行吸盘动作。

## 电子设计、制造和低级控制
位于每个吸盘杆部的传感器板包括三个LED灯（15406094BA400A，940纳米，Würth Elektronik），它们串联连接以确保每个吸盘均匀照明。光敏晶体管（1540601NBA500，940纳米，Würth Elektronik）以共集电极配置连接。吸盘中的LED灯由一个5伏特的数字引脚和1.8千欧姆的电阻供电，产生大约1毫安的电流。一个4.7千欧姆的电阻连接到光敏晶体管的发射极，以放大光电流（补充图12）。最终的传感器板设计为圆形（直径7.3毫米），内部有一个孔（直径2.1毫米），用于真空驱动。背面有六个焊盘用于将板子连接到连接板。传感器板和连接板都采用FR-4材料制成，厚度为0.5毫米（Eurocircuits NV）。

五个连接板（11.7 × 10.3毫米2；补充图12）从吸盘对中收集数据。每个连接板包含一个微控制器（CY8C4045LQI-S411，Infineon Technologies），作为通信节点和数据采集设备。受到章鱼轴向神经纤维螺旋排列的启发，这种排列允许伸展而不损伤组织，我们使用了缠绕的导线来构建四线总线，将电子板沿着手臂连接到主板。这种方法最小化了与手臂运动的机械干扰，并防止在局部伸展时导线断裂（补充图13）。总线提供电源（5伏特和GND）和I2C（SDA，SCK）接口。

为了实现200赫兹的高数据采集率，微控制器工作在32兆赫兹。数据传输通过I2C通信以400千赫兹的频率进行，由位于手臂底部的主板启动（图3a）。主板依次从五个板子读取数据，每个板子都被分配了一个唯一的I2C地址。数据采样率与数据传输过程同步；每次数据传输完成后立即开始采样，确保数据总是准备就绪，随时可供主控制器请求。

主板由三个微控制器（PIC32MX150F128B，来自Microchip）组成：其中一个负责与外部PC和连接板的通信，另外两个控制四个双向电机驱动器（LV8548MC，来自ON Semiconductor），用于三个肌腱、旋转机构和四个蠕动水泵（WPM447，Velleman）。章鱼手臂的操作参数通过一个用VB.NET开发的自定义图形用户界面进行选择，该界面通过USB连接到主板。同一界面还接收来自手臂的反馈，允许实时监控感官数据。

与外部PC的连接仅用于调试、可视化感官信息以及在执行模式为‘空闲’时（在测试和调试期间）控制原子动作。当手臂设置为‘自主’模式时，它完全通过主板和连接板上的嵌入式控制运行，只将感官数据和内部状态传输到PC以供用户查看。嵌入式控制的代码可以在在线存储库中找到。所有展示抓取能力的实验，包括搜索、接触、姿态识别、抓取定义和激活，都是通过嵌入式控制执行的。

## 吸盘的制造
十个带有传感器的吸盘被集成到一个受章鱼启发的软体手臂中（图3）。整个制造过程可以分为两个步骤：第一步是制造吸盘（扩展数据图3a），如本节所述；第二步是实现手臂（扩展数据图3b），将在下一节中描述。

为了制造吸盘，使用THINKY ARE-250混合和脱气机（THINKY USA）将硅橡胶混合60秒，然后使用S-26P-NL真空脱气系统（Easy Composites）进行进一步的3–5分钟脱气。传感器板用FR-4材料制成，并有两个易于拆卸的支撑结构，以便在制造吸盘时放入模具中。每块板上焊接了六根漆包铜线（0.15毫米），以供电给LED灯并管理来自光敏晶体管的信号获取。板子固定在由CNC加工制成的两部分聚四氟乙烯模具中，并用五个螺丝固定在一起（扩展数据图3a（顶部），步骤1–3。第三部分用于制造白色反射层（扩展数据图3a（底部），步骤1–3）。模具平放后注入硅橡胶（EcoFlex 00-50，Smooth-On），混合1%的白色颜料（Silc Pig white，Smooth-On）。脱气后，使用光滑的刮刀平整表面（扩展数据图3a（底部），步骤2），然后在环境条件下固化45–60分钟（扩展数据图3a（底部），步骤3。这段时间已被验证足以防止与后续的硅橡胶层混合并确保良好的粘结，防止分层。之后，将两个模具固定在一起（扩展数据图3a，步骤4），将无色的硅橡胶混合后倒入注射器中并脱气，然后注入模具（扩展数据图3a，步骤5）。注入过程允许硅橡胶渗透到底部，并从模具顶部的孔中释放出来，确保去除可能显著影响传感器光学性能的气泡。固化后，将制成的圆柱体从模具中轻轻取出（扩展数据图3a，步骤6），同时保留好牺牲性支撑结构，然后将其插入一个新的三部分模具中，以形成吸盘形状。将一种黑色着色剂（Silc Pig black，Smooth-On）与相同的硅胶混合，如同前一步骤一样，将其倒入注射器中并脱气，之后注入模具（扩展数据图3a，步骤7）。固化完成后，最终的吸盘即可取出，准备集成到手臂上（扩展数据图3a，步骤8和9）。

**章鱼灵感仿生软臂的制造**
该手臂的几何形状为一个圆锥体，底面半径为20毫米，尖端半径为4.1毫米，长度为410毫米。使用ProX SLS 6100（3D Systems）3D打印机和DuraForm ProX PA商业聚酰胺材料打印出模具，该材料具有十个圆柱形槽，用于在初始定位阶段固定吸盘。浇铸前，十个吸盘通过卷线与五个控制板连接，这些控制板以菊花链形式排列（扩展数据图3，步骤10和11）。同时，内径为0.76毫米、外径为1.65毫米的硅胶管通过L型和T型带刺连接器连接起来，形成四个独立的吸气回路，分别对应四个、三个、两个和一个吸盘（扩展数据图3b，步骤11）。这四个通道通过外置的蠕动水泵来驱动吸盘。尽管每个吸盘独立驱动是理想的，但这种方法会导致手臂上管线过多，从而减少可用空间并增加刚度。为了平衡功能性和灵活性，吸盘被分为四组，每组由一个水泵驱动。

此外，三根直径为0.35毫米的商用钓鱼线（Spiderwire DuraBraid）被放置在模具中，作为肌腱来控制手臂的动作。其中两根以分段线性方式排列，关于手臂的纵向平面对称；第三根则呈直线排列，偏移至背部方向（扩展数据图3b，步骤11）。内径为0.76毫米、外径为1.65毫米的硅胶管被用作肌腱导向装置，以防止在使用过程中因肌腱滑动而撕裂固化的硅胶。这些硅胶管穿过三个3D打印的支撑件上的孔眼，这三个支撑件分别位于圆锥体底部以及距离底部250毫米和343毫米的位置。在肌腱固定点处打双结，以确保在拉动时线材不会脱落。每个3D打印的支撑件上都有两个细小的牺牲性突起，用于插入预先设计的模具槽中（扩展数据图3b，步骤11）。

在组装过程中，吸盘及其控制板、吸气通道和肌腱被小心地放入模具中（扩展数据图3b，步骤12）。对肌腱施加轻微张力，并特别注意确保所有部件都保持在前述圆锥形状内。最后的制造步骤包括关闭模具（扩展数据图3b，步骤13）、倒入混合了1%红色着色剂（Silc Pig red，Smooth-On）的硅胶（EcoFlex 00-30，Smooth-On），并在室温下固化4小时后取出最终的手臂（扩展数据图3b，步骤14）。制造出的手臂示意图见补充图14。

为了测试其可靠性和耐用性，我们在14牛顿的拉力下进行了10,000次的循环驱动测试，该拉力足以使肌腱完全收缩（10厘米）。

**驱动机制**
肌腱由带有嵌入式编码器和减速比81:1的齿轮箱的直流电机（Faulhaber 1717T012SR）驱动，这些电机工作在位置控制模式下。每个电机通过直径为3毫米的滑轮驱动肌腱，实现精确且可重复的位移控制。此外，手臂底部还使用了一个旋转关节（图3a），该关节由一个3D打印的圆形底板组成，电机安装在底板上，底板边缘均匀分布有齿状结构。旋转运动由外部电机（Pololu 37D，50:1）提供，配备了一个较小的小齿轮，可实现最高45°/秒的旋转速度。四个滚轮导向装置环绕旋转底板，确保垂直和径向约束。

**吸盘特性评估**
我们使用固定在光学平台上的3D打印聚乳酸平面表面上进行了压痕和脱离实验，以评估吸盘在空气和水下条件下的机械感知能力。通过测量不同直径吸盘在各种配置下的接触力、抓握力和接触方向来评估性能。吸盘在1牛顿和2牛顿的力作用下分别进行了300次压痕循环测试，以验证精度、滞后现象和信号漂移情况，并评估传感器在当前设计中的重复性和耐用性（补充视频6）。三个光敏三极管的输出信号被叠加，生成用于分析的累积信号。

为了证明吸盘的耐用性和可靠性，我们对M型吸盘进行了20,000次的压痕循环测试（补充图2）。还进行了10次脱离实验，通过逐渐增加真空压力（0.1、0.2和0.4巴）来测试吸盘的表现（补充视频7）。

在压痕和脱离实验中，首先使用硅胶粘合剂（Sil-Poxy，Smooth-On）将吸盘固定在3D打印的刚性支撑件上，确保传感区域保持暴露。每个准备好的吸盘通过3D打印的适配器连接到六轴载荷传感器（Nano17，ATI）。吸盘和载荷传感器由一个垂直电动直线平台（M-111 Compact Micro-Translation Stage，PI）移动，数据通过数据采集板（NI PCI-6225，National Instruments）获取。使用VB.NET开发的自定义图形用户界面记录数据并控制直线平台。

为了检测吸盘识别接触方向的能力，我们3D打印了一个直径为10厘米的刚性圆盘（Prusa MK4S，Prusa Research），并使用相同的装置进行压痕试验，圆盘由两个额外的X-Y直线平台（型号M-414.3PD，PI）移动，以实现圆形路径。传感吸盘从所有方向接触圆盘，步进角度为15度，压缩力为0.5牛顿（补充视频8）。我们通过在不同位置接触吸盘来重复实验，逐渐增加接触面积（图3i）。

**实验验证**
所有自主抓取实验都在完全浸没的淡水实验室水箱中进行（尺寸为60×60×60厘米3和90×50×50厘米3），水处于静态状态（无水流），水温为21±2℃，实验室环境光线下配有漫射LED灯用于视频录制。测试过程中未使用外部感知系统、基于视觉的引导或远程操作。

目标物体包括直径在3至6厘米范围内的圆柱形和类圆柱形物体，以及尺寸较小的不规则形状物体。物体重量从大约0.1牛顿到5牛顿不等。物体以不同方向沿手臂的纵向轴放置，以确定接触位置和物体的相对姿态，从而触发不同的自主抓取动作。抓取选择和执行完全基于分布式触觉感知，遵循嵌入式分层控制架构中的处理策略。

本研究采用的实验验证框架概述见补充表6，其中测试分为三类：（1）评估嵌入式传感和信号处理能力；（2）评估分层控制架构在预先计划条件下的运行情况；（3）测试控制算法在更加非结构化和不可预测交互场景中的鲁棒性。