一种具有深度学习增强型触觉感知的软体机器人手指用于纹理与柔软度识别

《Advanced Intelligent Systems》：A Soft Robotic Finger With Deep Learning-Enhanced Tactile Sensing for Texture and Softness Recognition

　　

触觉感知对于机器人与人类、物体及环境的有效交互至关重要。尽管软体触觉手指已被提出以模拟人类触摸，现有设计在感知细微材料特征方面往往不足，难以处理可变形表面上的纹理，且常将柔软度与纹理识别视为独立任务。研究人员提出了一种腱驱动软体机器人手指，其多模态触觉指尖能够通过自动化类人手指运动同时辨别纹理与柔软度。该手指将顺应性拟人结构与多模态指尖结合，在软弹性体中嵌入压力、加速度计与陀螺仪传感器。当手指在材料上滑动时，混合卷积神经网络-长短期记忆网络(CNN-LSTM)深度学习流水线处理多模态触觉线索以分类材料属性。大量实验表明，18种纹理分类准确率达94.3%，4级柔软度达97.9%。在20个样本的纹理-柔软度联合测试中，纹理识别准确率95.4%，柔软度97.0%。这些结果凸显了该手指感知既往软体触觉手指未能分辨的复杂材料属性的能力。通过弥合类人感知与软体触觉感知间的差距，所提系统推进了自适应抓取、精细物体操控、材料分拣及假肢应用的能力。

研究背景与动机：人类触觉在感知物理世界与日常物体操控中不可或缺，触觉线索可提供视觉与听觉难以获取的材料属性信息。现有软体触觉手指多聚焦宏观特征（如形状），在感知自然表面细微纹理、可变形表面纹理及同时识别纹理与柔软度方面存在局限，且常将纹理与柔软度作为分离任务处理，难以复现人类单次动态接触即整合多属性的能力。为填补该空白，研究人员在《Advanced Intelligent Systems》报道了一种腱驱动软体机器人手指，集成多模态触觉指尖与混合CNN-LSTM深度学习框架，通过单次滑动交互同时识别纹理与柔软度。

主要关键技术方法：研究人员采用熔丝沉积成型(FDM)以95A肖氏硬度热塑性聚氨酯(TPU 95A)单体打印含双关节的柔性指体，关节为圆角挠曲铰链，由超高分子量聚乙烯(UHMWPE)编织缆经滑轮差速器连接直线执行器实现欠驱动屈伸；指尖以Ecoflex 00–30硅胶包覆ICM-20789芯片（集成三轴加速度计A_x/y/z、三轴陀螺仪G_x/y/z与单点压力），经四件聚乳酸(PLA)模具单次浇注成型，芯片上方留0.5 mm气隙。交互协议为手指悬于样片2 mm上方，以90 rpm（3 mm/s）作往复滑动，50 Hz采样，每样本3次重复各10行程。信号经裁剪、2 s非重叠窗分割、z-score归一化、主成分分析(PCA)降至5维（保留94%方差），再切为19个50%重叠的10样本子窗，输入PCA-CNN-LSTM（两层层1D卷积各100滤波器、核3×1，最大池化5×1，两层64单元LSTM，全连接ReLU+L2+ dropout 0.5，softmax）做5折交叉验证分类。样本队列包括18种刚性背衬纹理面料/皮革、4级柔软度（Ecoflex 00–20、Ecoflex 00–30、Dragon Skin 30及聚氨酯软泡）及二者交叉的20个组合样片。

研究结果：

4 Experiments and Results（实验与结果）

4.1 Data Collection（数据采集）：建立直线执行器+双MCU+采集板硬件与GUI控制软件，固定90 rpm滑动、50 Hz采样、3重复×10行程协议，获得纹理-only、柔软度-only、纹理-柔软度联合三套数据集，每样本约3000点、7通道（3加速度+3角速度+1压力）。

4.2 Convolutional Neural Network-Long Short-Term Memory for Tactile Recognition（用于触觉识别的CNN-LSTM）：论证混合CNN（空间特征）与LSTM（时序依赖）互补，选定PCA-CNN-LSTM为统一流水线。

4.3 Texture Classification（纹理分类）：18纹理5折交叉验证整体准确率94.3%±0.021，F1 0.942；消融显示去掉LSTM降至0.67，完整PCA-CNN-LSTM最优；材质5（平滑乳胶）与16（编织网格）因粘滑摩擦与周期微振签名重叠降至80%，15类>90%。

4.4 Softness Detection（柔软度检测）：4级柔软度准确率97.9%±0.028，混淆极低；平台抬高1 mm使指尖压入3 mm软材，蓝纸胶带统一摩擦面。

4.5 Combined Softness and Texture Detection（纹理-柔软度联合检测）：5纹理×4柔软度共20样本，纹理侧准确率95.4%±0.013，柔软度侧97.0%±0.013；跨条件验证显示单因素模型在联合数据上仅13%（纹理）与36%（柔软度），反之中联合模型在单因素数据上19%与47%，证明机械耦合导致分布偏移，须联合建模。

4.6 Modality Contribution Ablation Study（模态贡献消融）：置换特征重要性(PFI)表明纯纹理任务压力扰动掉79%精度，陀螺仪/加速度计亦显著；纯柔软度任务压力主导（掉点最多），加速度/角速度影响小；联合任务中陀螺仪在纹理分支贡献升至最高（掉54%），压力在柔软度分支仍主导（掉54%）但加速度/角速贡献上升，印证可变形接触界面衰减线性振动、转靠旋转动力学。

讨论部分总结：腱驱动与TPU/Ecoflex顺应体使被动贴合与类人探索稳定；指尖局部多模态单元解耦驱动与感知、比腱张力传感更模块化；相比单模态分布模块，统一软皮下多模态提升信号一致性。42样本三任务均>94%，联合任务因仅5纹理故纹理精度略升、柔软度微降。推理时延0.066 s/次（i5+16 GB），满足实时。应用指向人机交接、果蔬成熟度、假肢、分拣。

6 Conclusions（结论翻译）：本研究提出一种腱驱动软体机器人手指，集成多模态触觉指尖，可通过单次滑动交互同时识别纹理与柔软度。该模块化架构经3D打印与顺应弹性体制作，提供机械适应性、结构支撑及类人探索兼容性。指尖内加速度计、陀螺仪与压力传感获取高维触觉数据，涵盖振动与准静态接触信息，用以辨识多样表面纹理与柔软度。整体工作为软体机器人系统先进触觉感知奠定基础，未来将通过自适应控制与进阶学习策略实现自主探索及对未见材料的改进预测。

（注：全文未引文献标号与图号，上标下标以呈现，专业术语首现附简释，作者名未直述故不列。）