电子科技大学AM：仿生3D触觉传感器，为机器人打造超越人类触觉的“仿生皮肤”

具备触觉感知能力的电子皮肤是机器人实现环境交互和灵巧操作的关键。然而，传统二维平面传感器难以适应复杂三维曲面，在动态滑动接触中面临信号延迟、制造工艺复杂及可扩展性差等挑战。现有方法多依赖平面预组装后转移至目标曲面，导致制程繁琐且难以规模化，限制了高性能触觉系统在机器人领域的实际应用。

受生物系统启发，电子科技大学林媛教授、黄振龙副教授合作，提出了一种创新的三维制造策略，将3D打印、材料创新与激光直写技术相结合，直接在三维基底上构建可拉伸触觉传感器阵列，并实现了多层电路的立体互联。所开发的仿生传感器阵列具有高响应性，振幅响应时间小于0.5毫秒，最高工作频率达473.33赫兹，频率分辨率为0.35赫兹，角度分辨率达到1度。研究团队成功在亚米尺度薄膜上集成了900个传感器，结合深度学习算法实现了复杂图案识别的100%准确率。该技术实现了从二维到可扩展三维制造的跨越，为下一代机器人仿生皮肤与智能感知系统提供了通用平台。相关论文以“Three-Dimensional Stretchable Tactile Sensors for Robotic Bionic Skin”为题，发表在Advanced Materials上。

研究团队所设计的传感器结构模仿了鳄鱼皮肤中富含神经末梢的三维折叠表皮结构，使传感器性能超越了人类指尖的触觉能力。具体而言，他们利用3D打印制备了由锑掺杂氧化锡（ATO）、多壁碳纳米管（MWCNT）和聚二甲基硅氧烷（PDMS）组成的金字塔形三维微结构。随后，通过激光直写工艺对三维表面进行活化和粗糙化处理，暴露出ATO催化剂，进而通过化学镀铜实现金属层的原位选择性生长。该金属层与基底内的MWCNT网络共同构成了双层传感结构，能够在复杂三维表面精准感知形变。如图1所示，这种三维触觉传感器具备类似鳄鱼皮斑点状的仿生凸起结构。图1b展示了传感器的多层架构，上下层通过通孔实现电气互连。图1c显示了激光刻蚀与非刻蚀区域的对比，以及能谱分析证实ATO催化剂的存在。图1d和1e为传感器的显微图像和激光共聚焦显微图。图1f的高分辨率X射线图像展示了上下互连线与通孔构成的一体化三维传感架构。图1g示意了鳄鱼皮的三维表皮结构。图1h揭示了滑动过程中应力诱导裂纹产生的机理，传感器电阻在0.5毫秒内以33.6欧姆/秒的速率显著增加。图1i和1j展示了传感器在圆柱面弯曲和大面积拉伸变形下的优异机械柔韧性，以及包含900个单元的30×30阵列。图1k则展示了传感器成功集成于机器人手部。

图1 | 本征三维曲面电子皮肤的设计与制造。 (a) 面向机器人应用的大面积仿生皮肤示意图。 (b) 具有多层架构的三维触觉传感器示意图，显示通过通孔实现的层间电气互连。 (c) 在三维曲面上金属传感层原位生长示意图：(i) 在激光织构化区域形成铜层；(ii) 激光刻蚀区域（右）与非刻蚀区域（左）的SEM对比；(ii) 刻蚀区域的EDS能谱图，显示强烈的Sn信号，证实ATO催化剂的存在。 (d) 三维触觉传感器的显微图。 (e) 三维触觉传感器的激光扫描共聚焦显微镜图像。 (f) 复杂三维结构的高分辨率X射线图像，包含上下互连线。敏感区通过通孔与两个互连层连接，形成集成的多层三维传感架构。 (g) 鳄鱼表皮斑点的示意图，这些斑点分布在三维表皮结构上，能够检测微小的外部刺激。 (h) 传感器对滑动运动响应的示意图。应力诱导的形变表现为敏感区裂纹的形成，通过SEM观察。这些形变导致传感器电阻显著增加，在0.5毫秒内速率达33.6欧姆/秒，这归因于滑动过程中三维表面受到的直接应变。 (i) 在圆柱面上弯曲的三维触觉传感器图像。 (j) 大面积传感器阵列（30×30，900个传感单元）图像，以及拉伸变形下的阵列。 (k) 集成到机器人手中的三维触觉传感器图像。

这种直接在三维表面原位制造的策略消除了堆叠结构带来的应变传递误差和制造复杂性，大幅提升了灵敏度。如图2所示，传感器在滑动接触中，三维结构形变诱导敏感区微裂纹产生，改变电子传输路径，导致电阻随应变增加。图2b和2c展示了高度为1毫米的传感器细节及SEM与EDS图像。图2d的有限元模拟显示了滑动接触中的应变分布。图2e表明传感器具有0.694毫欧/毫米的最大灵敏度且迟滞可忽略，并在4000次循环中保持稳定。图2f证明传感器在180千帕垂直压力下基线电阻稳定，模拟显示应变集中于尖端而不影响传感区。图2g显示通过调节MWCNT浓度可调控灵敏度。图2h比较了敏感区位于金字塔腰部与底部的性能差异，腰部设计灵敏度更高。图2i显示更高高宽比的结构响应性更好。图2j和2k表明传感器能分辨粗纹理和细纹理，细纹理信号频率高达473.33赫兹，且信号频率与滑动速度呈强线性关系。凭借0.35赫兹的频率分辨率，传感器可精确区分微小速度变化。

图2 | 三维触觉传感器的性能。 (a) 三维触觉传感器示意图，使用Ecoflex保护三维表面上的敏感区。 (b) 高度为1毫米的三维触觉传感器细节图像。 (c) 三维触觉传感器的俯视SEM图像（左）及对应的EDS图像（右）。 (d) 滑动接触外部结构时三维触觉传感器内应变的有限元模拟分布。 (e) 重复机械加载下传感器的循环性能，显示0.694毫欧/毫米的最大灵敏度和可忽略的迟滞。 (f) 垂直正压力（0-180千帕）下传感器的响应，显示电阻变化极小。有限元模拟表明，正压力引起的应变主要局限于尖端，不影响整体传感区域。 (g) 不同MWCNT浓度制造的传感器在纹理表面滑动时的电阻变化。信号变化幅度与导电填料的浓度直接相关。 (h) 敏感区分别位于金字塔结构底部（h2:h1 = 0.2）和腰部（h2:h1 = 1.2）的传感器比较，显示腰部配置由于更有效的应变传递而具有更高的灵敏度。 (i) 具有不同微结构高度的传感器在标准纹理样品上重复滑动时的电阻响应。

在纹理方向识别方面，该三维触觉传感器能够通过分析滑动过程中的频率特征，实现高精度各向异性纹理方向识别。如图3所示，滑动方向与纹理方向的夹角影响有效路径长度，进而改变响应频率。凭借高灵敏度和结构均匀性，传感器实现了1度的角度分辨率。图3b显示实验与理论预测一致。图3c展示了不同角度下的频率响应差异。为解决速度与方向耦合问题，研究团队开发了由垂直传感单元组成的模块（图3d），结合快速傅里叶变换和反正切函数，实现了与滑动速度无关的精确方向识别。图3e展示了信号处理流程。图3f-3h显示传感器集成于机器人手部后，在30度、45度和60度相对角度下，计算所得反正切值与实际角度高度吻合。

图3 | 基于3D滑动传感器的自适应高精度纹理方向识别。 (a) 不同角度的纹理方向识别示意图。 (b) 不同角度下的滑动频率响应。 (c) 纹理方向识别的角度分辨率。 (d) 相互垂直的传感单元组合示意图。 (e) 不同滑动方向下的频率响应。 (f) 集成到机器人手中的传感器阵列。 (g) 机器人手抓取不同纹理方向物体的示意图。 (h) 不同角度下的纹理识别结果。

为实现复杂触觉感知，研究团队进一步构建了6×6传感器阵列，用于滑动路径重建。如图4所示，该阵列具有优异的机械柔顺性，可拉伸弯曲。图4b和4c展示了阵列的拉伸和弯曲状态。研究团队开发了多通道高频数据采集系统，实现所有传感单元电阻变化的实时测量。图4d-4o展示了手指在阵列上描绘“S”、“I”、“A”形轨迹时，各传感单元电阻随时间的变化图。通过电阻变化序列可重建滑动路径（图4e、4h、4k、4n），而结合频谱分析与接触速度则可确定滑动方向（图4f、4i、4l、4o）。与依赖时域信号的传统压力传感器阵列不同，该三维阵列通过自身结构设计即可确定滑动速度和方向，实现了类人皮肤的触觉感知。

图4 | 用于滑动路径重建的传感器阵列。 (a) 用于检测滑动接触的三维触觉传感器阵列示意图。 (b) 拉伸变形下的传感器阵列图像。 (c) 共形附着在圆柱面上的传感器阵列图像。 (d-o) 基于单个传感单元电阻映射的滑动路径重建。当手指沿“S”形轨迹移动时，每个传感单元的电阻随接触位置变化。面板(d)和(m)显示了基于电阻映射的一致重建结果。沿“S”轨迹的传感单元接触序列(e和n)对应于观察到的电阻变化。滑动方向(f和o)通过结合电阻信号的频谱和接触速度测量值确定。对于“I”形轨迹，电阻图(g)和相应的时域信号(h)实现了路径重建，而方向确定(i)通过频谱和速度的联合分析实现。类似地，对于“A”形轨迹，电阻图(j)与实际路径匹配，两个传感单元中电阻变化的序列(k)与接触序列一致，推断的方向(l)与计算结果一致。

最后，研究团队将传感器阵列集成到机器人手部，用于三维表面识别，并结合深度学习算法实现了复杂结构的精准识别。如图5所示，机器人手部集成了三维触觉传感器阵列（图5a）和高速度多路复用数据采集系统（图5b）。图5c和5d显示了机器人滑动掠过三维汉字结构时传感单元的时域信号。基于这些数据，研究团队成功重建了三维汉字结构（图5e）。进一步地，他们建立了基于SE-ResNeXt深度学习网络的识别框架（图5f）。图5g的主成分分析与k-means聚类结果显示，七种复杂图案的数据形成了各自独立的簇。最终，基于700个样本和25200个单元数据点，该系统对七个复杂三维汉字结构的平均识别准确率达到100%（图5h）。

图5 | 集成到机器人中用于3D表面识别。 (a) 集成到机器人手中的三维触觉传感器示意图和照片。 (b) 高速多路复用数据采集系统框图。 (c) 三维触觉传感器阵列中的传感单元在三维汉字结构上滑动时的时域信号。 (d) 单个传感单元（第三列）在三维汉字结构上滑动时的时域信号。 (e) 基于滑动触觉数据的三维汉字结构重建。 (f) 用于复杂纹理模式识别的基于深度学习的算法框图。 (g) 使用主成分分析和k-means聚类对不同数据集进行可视化，显示相似数据组的聚类。 (h) 基于深度学习的识别结果，显示复杂三维汉字结构的平均准确率达到100%。

综上所述，这项研究提出了一种集成了3D打印、材料创新与激光直写技术的新型可拉伸三维触觉传感器制造策略，实现了传感器与曲面的无缝集成，显著提升了器件性能。所开发的滑动触觉传感器响应频率高达473.33赫兹，角度分辨率达1度。该制造方法还支持大面积滑动触觉传感器阵列的高效规模化生产，非常适合机器人仿生皮肤应用。通过滑动路径重建和三维表面结构识别，并结合机器学习算法，该系统实现了100%的复杂三维表面纹理识别准确率。这项工作为高性能、可扩展、大面积的三维触觉传感器集成提供了先进制造方案，在机器人仿生皮肤系统中展现出强大的应用潜力。