综述：感知原生电子皮肤：面向人形机器人的仿生传感器内/近传感器与神经形态计算

《Advanced Materials Technologies》：Toward Perception-Native Electronic Skin: Bio-Inspired In-/Near-Sensor and Neuromorphic Computing for Humanoid Robots

　　

人形机器人进入人类环境，其灵巧操作物体、行走时保持平衡以及在意外接触下保持安全均依赖于触觉；与视觉不同，触觉必须覆盖全身。单个传感器已可媲美人类灵敏度，但没有一种单一设计适用于所有身体区域：每个区域都需要各自不同的密度、灵敏度和模态组合，然而目前尚无全身皮肤能够将其集成。本综述从器件、系统、智能三个层面追溯该问题，并发现障碍主要不在于器件而在于系统。密集的触觉数据流被读出、中继并闭环至控制回路，但互连数量的激增和冯·诺依曼（von Neumann）数据搬运使其无法在毫秒级时间内完成闭环。阵列级方案只能通过将布线负担转移至计算来缓解，从而在区域感知丰富度与响应速度之间形成权衡。要在不牺牲延迟的前提下解决这一问题，需要仿生传感-计算集成——即近传感器（near-sensor）、传感器内（in-sensor）和神经形态（neuromorphic）方案，模拟人体的感受器及其传递信号的突触和神经元，将计算集中在需要之处。这些技术指向一种感知原生电子皮肤（perception-native electronic skin），其刺激-感知通路内建于皮肤本身，而非依赖远程处理器——这为不仅依靠视觉、更依靠触觉行动的人形机器人奠定了基础。

**1 引言（Introduction）**

人形机器人进入人类环境后，灵巧操作、行走平衡和意外接触安全都依赖触觉。与视觉不同，触觉必须覆盖全身，且数据量随体表面积增长。人类皮肤提供两个基准：作为感知装置，它集成多种机械感受器、温度感受器和伤害感受器，且感受器密度随身体区域显著变化；作为信息处理架构，外周传入纤维和脊髓在信息到达皮层前完成大量滤波、时间整合和自适应调制。传统刚性触觉模块不适合全身覆盖，需要类皮肤传感器。论文从器件、系统、智能三个层面组织，指出当前瓶颈已从单器件性能转移到系统级集成与数据搬运问题，并提出仿生传感-计算集成作为最有前景的路径。

**2 机器人皮肤的需求与现状（Requirements and Current Status of Robotic Skins）**

人形机器人的触觉需求不是传统末端执行器式辅助反馈，而是持续运行的集成感官基础设施。手部需要多指协调，脚底需要平衡与压力中心调节，手臂和躯干需要全身顺应反应。2.1 节按身体区域量化了需求：指尖需要高密度多模态接触感知（压力、剪切、滑移、温度），脚底需要高负载、高频的压力分布感知，手臂和躯干需要稀疏、大面积、快速接触感知。当前器件在单一指标上已接近甚至超过人类，但所有区域的感受器密度仍低于人类；多模态共享衬底会导致密度塌缩。2.2 节指出多模态是操作必需，而非设计奢侈。不同动作阶段（接近、接触、保持）需要不同模态，阵列化同时带来硬件负担（布线与读出通道激增）和软件负担（数据必须进入实时控制回路）。可行的实现路径是异构架构：按功能层级在不同区域部署不同密度、模态和带宽的传感方案，模仿人类皮肤的区域分化。

**3 从单像素性能到全身集成（From Single-Pixel Performance to Whole-Body Integration）**

核心论点是代价从不被消除，只被转移。3.1 节分析单像素多模态：空间集成（堆叠多个换能器）获得干净的独立读出，但布线随模态数线性增长；功能集成（单器件多响应）减少布线，但需要持续的解耦计算。结构解耦和机制解耦分别通过布线和物理原理抑制串扰。单像素多模态已接近人类广度，但其代价转移到阵列和系统层面。3.2 节总结四种阵列级布线绕过策略：矩阵扫描将N2条连线压缩为2N条行/列线，代价是顺序扫描造成的采样延迟；电阻抗断层扫描（EIT）仅需边界电极，但逆问题重建导致空间分辨率下降和计算开销；超分辨率用稀疏物理传感器阵列配合深度学习重建密集接触图，将硬件成本转为推理负载；模块化集成将全身皮肤分为带本地读出的模块，通过共享总线通信，代价是模块复杂度和模态回归。3.3 节按与控制回路的距离定义四个集成层级：L1事后分类（外部PC出标签）、L2实时信号处理（嵌入式板卡实时显示但不进控制回路）、L3实时闭环控制（触觉数据直接进入机器人控制器）、L4神经形态与传感器内处理（计算与传感融合）。对51个系统绘制图谱后，发现明显的L形分布：系统要么高模态低集成，要么高集成低模态，而高模态×高集成的目标角几乎空白，特别是L4×≥3模态的角落完全空缺。3.4 节指出代价最终落在计算架构本身：冯·诺依曼范式下，数据搬运和顺序扫描无法在毫秒级窗口内同时处理多模态解耦和大规模阵列流。需要事件驱动、近/传感器内计算和神经形态编码，即“感知原生电子皮肤”的雏形。

**4 为什么以传感器为中心的架构不够（Why Sensor-Centric Architectures Are Not Enough）**

4.1 节分析传统信号处理的局限：每个传感器输出必须先经模数转换，数据移动成本远超计算本身；即使分布多个微控制器，每个节点仍是顺序执行，瓶颈只减轻而不消除。4.2 节从生物触觉感知获得启发：机械感受器换能，传入神经元在阈值以上发放并编码；突触可塑性分为短时可塑性（STP）和长时增强（LTP），前者支持瞬态时间滤波，后者支持持久学习。神经元动力学（阈值、整合、不应期）与突触权重调制必须区分。生物系统通过并行、事件驱动、存内计算实现高能效。

**5 仿生智能触觉系统（Bio-Inspired Smart Tactile Systems）**

5.1 节讨论近传感器计算架构：传感器和计算单元物理分离但靠近。代表性工作包括MXene水凝胶压力传感器与阈值忆阻器集成模拟伤害感受器（痛觉过敏和异常性疼痛），以及水凝胶传感器与量子化电导忆阻器连接小鼠坐骨神经实现伤害感受旁路。另有一些系统实现指纹去噪、边缘检测和压力模式识别。这些系统证明了阈值、编码和特征提取可在传感前端完成，但下游推理仍依赖外部PC，缺少闭环控制，且未实现STP/LTP样突触可塑性。5.2 节讨论传感器内计算：将机械换能与存储/逻辑集成在同一器件中。Ag/AgO_x/Ag忆阻器可响应压力和电刺激实现OR逻辑，玉米淀粉:PVDF忆阻器可存储ASCII码，但其机械调制与电阻开关相互独立。铁电忆阻器（Ag/MnO₂/BaTiO₃/FTO）通过压电极化促进Ag离子迁移，使压力直接调制电阻状态，更接近LTP启发的持久触觉记忆。然而这些系统仍是固定功能、单器件或小规模，没有可训练阵列，也没有接入机器人控制。5.3 节讨论神经形态计算：FBG电子皮肤与DYNAP-SE芯片结合实现低功耗触觉定位，GelStereo视触觉传感器与Intel Loihi芯片结合实现滑觉检测并闭环控制机械臂拧瓶盖。但传感、读出和编码都在芯片外，权重固定或外部训练，没有在线突触可塑性，且未报告端到端接触-动作延迟。整体来看，现有L4系统大多将成本从一处转移到另一处，而非系统级消除。

**6 展望：感知原生电子皮肤（Outlook: Toward Perception-Native Electronic Skin）**

6.1 节列出四大挑战：一是异构集成作为系统而非集合，需要统一读出协议和机械集成方案；二是将仿生传感-计算集成扩展到10⁴–10⁵单元，同时保持亚毫秒响应和能量效率；三是建立感知级标准化基准，如动态抓握中的物体判别、负载下的滑觉起始检测、足底地形分类和全身碰撞归因；四是机械可靠性，需在≥10%拉伸应变和10⁴次弯曲或拉伸循环后保持完整传感-计算通路功能。6.2 节定义感知原生电子皮肤的三大特征：异构性设计，密度/模态/带宽按区域功能分化；分布式分层处理，滤波和时间整合在传感元件附近进行；具身可塑性，短时可塑性在传感器上实现纹理表面的自适应滤波和显著事件增强，长时可塑性将物体特异性抓握力先验固化在皮肤内，无需中央处理器存储和调度。6.3 节强调实现该愿景需要材料化学家、器件工程师、系统架构师和机器人学家在共享平台和指标上协作。下一阶段的目标不是更好的单个传感器，而是更好的传感、处理与具身组织方式。