哈工大冷劲松院士AM：新型双模电子皮肤，机器人手实现“隔空触物”与精准识别

随着机器人系统在非结构化动态环境中智能化交互的需求日益增长，赋予机器人多模态感知能力已成为一项关键且富有挑战性的任务。当前，机器人主要依赖接触式传感器获取信息，虽然各类触觉传感技术已能获取丰富的物体属性，但仅凭触觉极大地限制了机器人与未知环境的交互与适应能力。另一方面，受生物启发的非接触传感技术，如超声波、地磁或湿度传感，在实际应用中常受环境干扰、信号微弱或鲁棒性不足的制约。特别是基于静电场的非接触传感虽更具稳定性，但其固有电场强度不足，导致有效探测距离有限，成为实际应用的瓶颈。

为此，哈尔滨工业大学冷劲松院士、刘彦菊教授和刘立武教授团队介绍了一种用于多功能机器人手的静电增强双模电子皮肤（e-skin）。该e-skin由预极化的膨体聚四氟乙烯（ePTFE）驻极体嵌入Ecoflex弹性体制成，表面沉积银纳米线作为传感电极。它巧妙利用嵌入驻极体产生的静电场实现非接触传感，同时基于摩擦电效应实现接触传感。这种结构显著增强了内部电荷密度，从而提升了非接触传感的强度和范围。集成该e-skin的机器人手，在长短时记忆（LSTM）神经网络的辅助下，实现了对物体形状100%的识别准确率和对物体材料97.35%的识别准确率，为机器人平台提供了一种 versatile 的多模态感知界面。相关论文以“Electrostatic Enhanced Dual-Mode Electronic Skin for Multifunctional Robotic Hands Capable of Object Shape and Material Recognition”为题，发表在

Advanced Materials

受鲨鱼洛伦兹壶腹电感受器的启发，研究人员设计了一种兼具非接触与接触感知能力的仿生e-skin（图1）。其结构核心是将极化后的ePTFE驻极体薄膜嵌入液态Ecoflex中固化，形成柔性耐用的弹性体基体，随后在其表面沉积银纳米线形成导电网络良好的参考电极。当物体接近时，e-skin电极电位因静电场相互作用而改变；当直接接触时，摩擦则产生摩擦电信号，两种信号特征分明易于区分。制备的e-skin机械性能优异，拉伸应变可达450%，且Ecoflex封装有效保护了驻极体表面电荷，使其表面电位在一个月后仍能保持初始值的约60%，在复杂环境中表现出良好的耐久性与可靠性。

图1 (a) 鲨鱼电感受器示意图。(b) 安装在机械手上的电子皮肤结构。(c) 装备了电子皮肤的机械手。(d) 具备类人视觉与触觉能力的多功能机械手。(e) 非接触感知与接触感知信号示意图。(f) 电子皮肤制备过程。(g) 单轴拉伸测试下电子皮肤的应力-应变曲线。(h) 电子皮肤表面电位随时间的变化。

为了探究e-skin的非接触传感性能，研究团队进行了一系列实验（图2）。测试表明，嵌入高表面电位（-2000 V）ePTFE驻极体的e-skin，在手掌接近或远离时产生的电极电位变化（ΔVe）显著高于未嵌入驻极体的对照组，这验证了驻极体引入的额外表面电荷能极大增强传感能力。同时，研究也揭示了非接触传感的距离依赖性：随着传感物体与e-skin之间距离的增加，ΔVe逐渐减小，灵敏度下降。通过建立考虑有限尺寸边缘效应的理论模型，团队明确了影响传感性能的关键因素，包括e-skin和传感物体各自的表面电荷密度与面积。

图2 (a) 非接触感知的简化物理模型。(b) 感应物体与电子皮肤之间的距离d1变化引起的电极电位变化ΔVe。(c) 含驻极体与不含驻极体的电子皮肤中ΔVe的对比。(d) 感应物体逐渐远离电子皮肤时，电极电位Ve的变化曲线。(e) 感应物体每进一步远离1厘米时，对应的ΔVe值。(f) 对聚酰亚胺(PI)、聚对苯二甲酸乙二醇酯(PET)和纸张进行非接触感知测试的结果。

基于上述理论，研究人员通过实验验证了静电增强非接触传感的可行性（图3）。他们系统地测试了具有不同表面电位（-1 kV 至 -8 kV）的ePTFE薄膜与对应极化的PTFE传感物体配对时的性能。结果表明，随着e-skin内驻极体以及传感物体表面电位的绝对值增大，相同位移引起的ΔVe显著增强，这直接证明了通过提高表面电荷密度可以有效提升非接触传感的强度。此外，实验还考察了传感物体尺寸的影响，发现增大传感物体的面积同样能带来更高的信号响应。这些发现为优化非接触传感的灵敏度和有效范围提供了明确的实验依据和调控路径。

图3 (a) 电极电位变化ΔVe与电子皮肤中ePTFE的表面电位及感应物体表面电位之间的关系。(b) 在电子皮肤中ePTFE表面电位分别为-8 kV和-1 kV的条件下，各种材料在非接触感知测试中的ΔVe。(c) 不同尺寸的电子皮肤与感应物体面积对ΔVe的影响。(d) 当ePTFE和感应物体的表面电位分别为-8 kV和8 kV，且尺寸均为20 cm × 20 cm时，ΔVe的变化趋势。(e) 不同非接触传感技术之间在传感强度与传感距离方面的比较。

通过强大的非接触传感能力，该e-skin能够识别不同形状的物体（图4）。当e-skin以非接触方式扫描立方体、三棱柱、半圆柱体、直角梯形和等腰梯形等不同几何形状时，其参考电极会产生具有不同幅度和持续时间的特征信号。研究团队通过傅里叶变换将时域波形转换为频域数据，提取关键特征后，利用擅长处理时序数据的LSTM神经网络进行分类，最终实现了对五种形状100%的准确识别，其性能优于卷积神经网络（CNN）和支持向量机（SVM）。

图4 (a) 电子皮肤扫描不同形状物体示意图。(b) 扫描不同形状物体时电子皮肤产生的信号。(c) 特征提取完整流程。(d) 波形数据延拓示意图。(e) LSTM模型结构。(f) LSTM模型识别五种不同形状的混淆矩阵结果。(g) LSTM模型的训练过程。(h) LSTM、CNN和SVM模型平均准确率对比。

在接触传感方面，e-skin则用于识别不同材料（图5）。当机器人手直接接触铝、铜、聚酰亚胺、尼龙、亚克力、纸张乃至人体皮肤等材料时，由于材料电负性差异，会产生特征各异的摩擦电信号。研究人员提取信号的峰值和谷值作为主要特征，并控制接触力和环境湿度的影响，同样利用LSTM等机器学习模型进行分析，实现了高达97.35%的材料识别准确率。

图5 (a, b) 基于接触感知进行材料识别的示意图。(c) 测试所用的一系列材料样本。(d) 与不同材料接触时产生的摩擦电信号。(e) 从摩擦电信号中提取峰、谷值作为特征。(f) 用于材料识别的LSTM神经网络结构。(g) 所有训练集和测试集数据的特征值分布。(h) LSTM模型材料识别的混淆矩阵（准确率97.35%）。(i) CNN与SVM模型材料识别的准确率对比。

最终，团队将双模e-skin集成到机器人手上，进行了全面的功能演示（图6）。整个信号处理流程包括原始信号采集、滤波、模数转换，并通过串口通信传输至计算机，由Python实现的LSTM神经网络进行实时分析与分类显示。实验演示中，机器人手成功同时识别了亚克力半圆柱体、铝立方体、铜三棱柱等多种组合的物体形状与材料，充分验证了该双模e-skin在实际复杂感知任务中的鲁棒性与实用性。

图6 (a) 用于物体形状和材料识别的LSTM神经网络整体计算流程图。(b) 集成电子皮肤的机械手照片。(c-g) 形状与材料同时识别演示：丙烯酸半圆柱体、铝立方体、铜三棱柱、铜直角梯形体和铝等腰梯形体。

综上所述，本研究开发的双模电子皮肤，通过利用嵌入式驻极体结构产生强内在静电场，为机器人的非接触感知提供了一种创新方案，显著提升了灵敏度和探测范围。结合先进的机器学习算法，它使机器人能够准确、实时地识别物体的复杂属性。这项工作不仅为非接触传感引入了新范式，更桥接了先进传感技术与实际机器人应用之间的差距，为自动化、医疗保健和人机交互等领域的智能机器人发展开辟了新的道路。