具备分布式触觉感知的软体仿生摩擦纳米发电机机械手指用于柔顺抓取与物体识别

《Sensors and Actuators A: Physical》：Soft Bionic Triboelectric Robotic Fingers with Distributed Tactile Sensing for Compliant Grasping and Object Recognition

　　

• 一种受鳍条效应（FRE）和人类指关节启发、用于自适应抓取的柔仿生T形指。
• 三个柔性触觉传感器实现共形抓取与分布式感知。
• 混合CNN-LSTM模型解析触觉序列，实现分层特征提取。
• 配备三个T形指的全软末端执行器验证了实时智能分拣。

## 引言

非结构化环境中的机器人操作不仅需要可靠的抓取能力，还需要丰富的触觉感知，以便安全、自适应地与不同形状、尺寸和材质特性的物体交互[1]，[2]。尽管基于视觉的感知已取得显著进展，但在涉及视觉遮挡或干扰、表面柔顺性以及精细接触交互的任务中仍显不足[3]。作为补充模态，触觉提供了关于接触力、接触位置和表面特性的直接信息，因此对机器人抓取至关重要[2]，[4]。特别是，软体机器人夹持器因其固有的柔顺性和安全性，已成为处理危险、可变形和不规则物体的有前景的候选方案[5]。然而，在软体夹持器中实现高质量触觉感知仍具挑战性。传统配备触觉传感器的刚性夹持器往往柔顺性有限、机械结构复杂，限制了其适应性和安全性[5]，[6]。相比之下，由弹性体材料制成的软体夹持器可通过强制变形与目标物体共形[7]。大多数软体夹持器研究聚焦于结构设计和驱动技术以执行明确的抓取任务。一系列通过气压驱动、刚度可调的气动软体夹持器或执行器已被提出用于处理易碎物体[8]，[9]，[10]。近期，受生物学启发的方法被提出以开发由连续弹性材料制成的软体夹持器，而非机械式方法。Wang等人[11]开发了液压驱动的凝胶软体夹持器，带有可调曲率薄膜，灵感来源于章鱼的吸盘漏斗结构和柔性触手。近期一项研究报告了一类新的软体机器人，遵循从多种动物附肢（如章鱼腕、象鼻、海马尾等）中观察到的共同模式[12]。将触觉传感器整合到此类结构中并非易事。多种传感机制已被探索以赋予软体夹持器触觉感知能力。Jin等人[13]通过3D打印制造了一种集成图案化电极触觉传感器的软体夹持器，可检测滑动、接触位置和抓握模式。许多现有触觉传感器引入了刚度不匹配、损害结构完整性，或仅提供局部或集中式感知，从而限制了在抓取过程中捕获分布式和连续触觉信息的能力。Liu等人[14]开发了一种双模态柔性传感器，由磁弹性导电薄膜和封装的液态金属线圈组成，将其集成到软体指中，实现了具有多模态感知能力的人形软体机器人手。Dong等人[15]也提出了一种MXene和碳纤维增强的双模态摩擦电传感器，用于与商业机械臂的软体夹持器集成。在分拣应用中，Zhang等人[16]开发了一种摩擦电传感器，其脉冲数与滑动位移呈线性关系，可量化软体机器人夹持器的弯曲状态，并以高达95%的精度实现水果尺寸分拣。除单模态方法外，多模态感知系统也已被开发以模拟人类触觉感知。Wang等人[17]在智能软体机器人系统中集成了电容式传感器与摩擦电传感器，不仅实现了多模态信息感知与记忆，还通过特征级传感器融合实现自适应抓取，显著增强了识别能力。类似地，Xu等人[18]设计了一种模拟人类手指多模态感知机制的软体机器人夹持器，纳入了受慢适应感受器启发的电容式曲率传感器、受快适应感受器启发的摩擦电纹理传感器以及基于电磁共振的非接触介质识别传感器，通过多通道特征融合网络实现了98.43%的不同物体识别准确率。

在传感机制之外，触觉系统的感知性能在不同设计之间差异显著。高空间分辨率触觉感知被追求以实现人类水平甚至超人水平的接触模式识别。Ouyang等人[19]开发了一种人工触觉指，配备高时空压阻式传感器阵列，实现了约7 ms的时间分辨率和1.5 mm的两点阈值，超越了人类指尖。该人工手指对简单模式的分类准确率为99.0%，对复杂模式为96.1%，大幅优于人类指尖。同时，基于视觉的触觉感知也被整合到软体夹持器中。Zhang等人[20]展示了一种模块化软体两指夹持器，在手掌中集成3D打印的光学触觉传感器，通过轻触检测、抓取姿态调整和失去接触检测，实现了从45%到97%的渐进式抓取成功率，定位精度达亚毫米级。Wang等人[21]进一步提出了一种整合视觉-触觉感知的软体夹持器，用单个摄像头复制了人类七种触觉模态中的五种——力、接触位置、纹理、温度和本体感觉，实现了0.17 N的力精度、0.96 mm的空间分辨率和超过90%的有效覆盖率。基于光波导的触觉感知提供了优越的灵敏度、快速动态响应和电磁免疫性。Fan等人[22]开发了一种集成细弹性光波导传感器的软体机器人夹持器，实现了0.273%/°的弯曲角度灵敏度、0.843%/N的接触力灵敏度和1.064%/N的压力灵敏度，结合PID自适应抓取控制策略和基于LSTM的形状、尺寸和硬度分类识别算法，准确率超过97%。然而，许多现有触觉传感器引入刚度不匹配、损害结构完整性，或仅提供局部或集中式感知，从而限制了在抓取过程中捕获分布式和连续触觉信息的能力。这些集成传感器及其不同传感机制的详细比较汇总在补充表S1中。在许多设计中，机械结构、传感元件和处理算法各自独立开发，导致系统级性能次优。Sankar等人[6]报告了一种嵌入多层类脑触觉感知的仿生混合机器人手，实现了对多种具有不同表面纹理、重量和柔顺性的日常物体的柔顺抓取，并通过类脑编码对其进行区分。

生物进化的成果为应对这些挑战提供了宝贵的灵感。鳍条效应（FRE），观察于辐鳍鱼类的鳍中，能够实现被动柔顺性和对外部力的适应性[23]，[24]。该生物力学机制已成功复制到机器人抓取工具中，允许对物体进行结构、柔软和柔顺的包裹，而无需任何嵌入式驱动器[25]。同时，我们的手提供了另一个灵感来源，特别是在指关节结构的形式上，它们在自然抓握动作中产生沿手指的分布式触觉感知。除结构和传感设计外，触觉数据的解读是另一个关键挑战[26]。抓取过程中产生的触觉信号本质上是高维、非线性和时间依赖的，尤其是对于分布式触觉传感器[27]。传统机器学习（ML）方法往往难以充分利用此类复杂时空信息，而基于神经网络的深度学习（DL）旨在通过模拟大脑的学习过程构建深层模型，结合大量训练数据学习数据中隐含的特征，最终提高分类或预测的准确性[28]。例如，卷积神经网络（CNN）可以有效地从原始传感器信号中提取局部模式，而循环神经网络（如长短期记忆网络LSTM）擅长建模时间依赖关系，使其非常适合触觉序列分析。然而，在现有软体机器人系统中，触觉硬件和感知模型的设计很少共同优化。

在此，提出了一种柔仿生摩擦电机器人手指（T形指），通过柔顺结构、嵌入式柔性传感、分布式触觉响应和基于学习的识别模型的协同系统设计，实现了柔顺抓取和分布式触觉感知。其关键创新在于四个功能方面的协同融合。第一方面是FRE柔顺结构，作为自适应抓取的机械基础。受辐鳍鱼类鳍的生物力学行为启发，FRE机制仅通过推抵目标物体即可实现被动共形变形，无需任何嵌入式驱动器。第二方面是材料协同设计，其中硅橡胶同时作为柔顺性的结构框架和摩擦电传感层，而液态金属保持流体状态，对变形施加可忽略的机械约束。第三方面是指关节启发的传感布局，其中三个LM传感器沿指垫顺序排列以模拟人类指关节的空间分布。当FRE结构在接触力下变形时，传感器依次接触并与物体表面共形，正如人类指关节在自然抓握中的行为，产生空间分布的触觉响应，同时编码接触位置和变形动力学。第四方面是分层学习模型，其中CNN从多通道输入中提取局部波形特征，而LSTM关联时间片段和通道间的时间变化，实现了对抓取过程中自然发生的顺序触觉响应的整合理解。与将机械结构、传感元件和算法视为独立模块的先前工作不同，我们的T形指体现了一种整体设计理念，每个组件都协同设计以互补其他组件：柔顺结构实现自适应抓取，嵌入式传感器在变形过程中捕获丰富的接触响应，仿生布局将结构变形转化为分布式触觉信息，学习模型解读由此产生的时空触觉模式。三个T形指组装成全软末端执行器（T3末端执行器），通过多指协作增强感知。所提出的系统通过物体识别实验和模块化智能分拣系统进行了验证，展示了其在实际场景中进行自适应抓取和智能触觉感知的有效性。

## 设计与制造

受辐鳍鱼类鳍中FRE的混合特性和人类手指关节结构的启发，每个混合仿生手指包含三个独立驱动的全软摩擦电触觉传感器，由硅橡胶、液态金属和水凝胶制成并嵌入通过硅橡胶浇注成型的鳍条结构中，如图1所示。该混合仿生手指的柔顺性来源于由柔性材料制成的FRE柔顺机构框架

## 结论

总之，本研究提出了一种具有分布式触觉感知的柔仿生摩擦电机器人手指，灵感来源于FRE机制和指关节结构。通过将柔顺的FRE硅橡胶基底与三个液态金属摩擦电传感器集成，所提出的T形指在实现自适应抓取的同时，提供了多点、分布式、空间触觉感知。LM传感器的全软结构由硅橡胶、液态金属和

## CRediT作者贡献声明

赵江涛：可视化，软件。杜恒旭：可视化，软件。吴永霖：可视化。杜 Taili：撰写-审阅与编辑，监督，资金获取。许敏义：撰写-审阅与编辑，监督，项目管理。董方阳：撰写-初稿，可视化，验证，软件，项目管理，方法论，研究，形式化分析，数据整理，概念化。韩阳：可视化，验证，软件，研究，形式化。

## 利益冲突声明

作者声明不存在可能影响本文报告工作的已知竞争性财务利益或个人关系。

## 致谢

董方阳、韩阳和彭清河对本工作贡献同等。本工作由中国博士后科学基金（批准号2025T180074，2024M750297）、北京高熵能源材料器件重点实验室、北京纳微能源与纳米系统研究所（批准号GS2025MS004）以及辽宁省教育厅基础研究项目（LJ212510151019）资助。

董方阳自2026年起为河海大学港航与海岸工程学院讲师。他分别于2019年和2026年获得大连海事大学工学学士和博士学位。他的研究方向包括：(1)机器学习算法开发与应用，以及(2)传感器与换能器的硬件优化。

董方阳|韩阳|彭清河|蔡 胡|张志英|赵江涛|杜恒旭|吴永霖|杜 Taili|许敏义