前沿分享丨Advanced Functional Materials:赋予机器人类脑触觉，实现超低功耗故障识别

近日，中国人工智能学会副理事长、清华大学计算机科学与技术系孙富春教授团队联合福州大学夏圣垣副研究员团队、中国科学院北京纳米能源与系统研究所蒲雄研究员团队，提出了一种一体化类脑触觉感知系统。该系统将自供能人工帕西尼感受器与忆阻器相结合，使机械信号能够被直接感知、记忆和处理，为低功耗机器人触觉感知提供了新的硬件路径。相关成果以“A Brain-Inspired ADC-Free Vibrotactile System with Planar MoO3 Memristive Device Integrated Sensing-Memory-Computing Architecture”为题，发表于《Advanced Functional Materials》。

当人类手指触碰正在运行的工业设备时，皮肤深层的帕西尼小体能够敏锐感知高频机械振动，并将其转化为神经信号，经由传入神经传递至大脑躯体感觉皮层，进而完成物体状态判断与触觉认知。这种“感受—传输—处理”高度协同的生物触觉机制，使人类能够仅凭细微振动，感知设备是否运行正常。

对于机器人而言，实现类似的振动触觉感知却并不容易。传统触觉系统通常需要先由传感器采集模拟信号，再通过模数转换器（ADC）将其转换为数字信号，随后交由中央处理器、图形处理器等计算芯片完成特征提取与模式识别。面对高频、宽带且持续变化的振动信号，这一“传感—ADC—计算”分离式架构会产生大量数据转换和传输开销，不仅增加系统延迟，也带来较高的能量消耗，限制了机器人在能源受限条件下开展连续、实时触觉感知。

从生物触觉通路到一体化架构

该系统的设计灵感来自人类帕西尼小体与躯体感觉皮层协同工作的触觉通路。研究团队首先构建了一种基于摩擦纳米发电机原理的人工帕西尼感受器，由预充电聚丙烯驻极体薄膜、多孔铜电极和间隔层等组成。当感受器受到外部振动时，聚丙烯薄膜与铜电极之间发生周期性的接触—分离运动，通过静电感应产生连续的交流电信号，无需外部电源即可完成机械振动到电信号的转换。为进一步模拟大脑对触觉信号的记忆和处理过程，研究团队设计了MoO₃忆阻器，该器件具有更加开放、易于连接的横向电极界面，可以更方便地与宏观柔性传感器和外部电路进行连接，从而缓解微型忆阻器与厘米级触觉传感器之间的尺寸和接口不匹配问题。系统不再需要先利用ADC将原始振动信号数字化，再在计算机中进行复杂的频谱分析和特征提取，而是利用忆阻器自身的物理动力学，将不同振动信号直接映射为不同的电阻状态。

利用忆阻器物理特性直接编码振动信息

MoO₃忆阻器表现出明显的历史依赖阻态调控和短时突触可塑性。输入脉冲的幅值、持续时间和脉冲间隔均会影响器件最终的电阻状态。在双脉冲刺激下，器件还表现出类似生物突触“双脉冲易化”的响应特征，说明器件能够保留此前输入信号的短时历史信息。

图 MoO3忆阻器结构与特性

更重要的是，该忆阻器对模拟信号的频率和幅值具有内在响应能力。在输入持续时间和幅值相同的情况下，更高频率的波形会在单位时间内产生更多刺激周期，从而引起更明显的电导变化。由此，不同频率和幅值的振动信号可以被物理映射为不同的电阻状态，实现“频率—阻态”转换。这一过程相当于将部分传统上依赖数字算法完成的特征提取过程，前移至忆阻器器件本身。忆阻器不只是存储最终结果，而是同时参与信号记忆、动态编码和特征提取，构成了一体化架构中的核心“人工突触”。

图MoO3忆阻器的突触可塑性

自供能人工帕西尼感受器实现高频振动感知

为提升人工帕西尼感受器对高频振动的响应能力，研究团队在固定铜电极上设计了多孔结构，用于减小薄膜振动过程中的空气阻尼。优化后的感受器采用5×5方孔阵列，每个方孔尺寸为2 mm×2 mm，使聚丙烯驻极体薄膜能够在高频激励下产生更充分的面外振动。

实验结果表明，该感受器在400 Hz附近具有明显的频率选择性。在400 Hz、77 m/s²振动加速度下，其输出电压达到14.33 V，最高加速度灵敏度为1.82 V/g。同时，感受器能够区分399、400和401 Hz三个相邻频率分量，表现出至少1 Hz的频率分辨能力。负载测试进一步表明，其输出电压能够覆盖忆阻器所需的高阻工作区间，为传感器直接调控忆阻器提供了硬件基础。

图 人工帕西尼感受器的触觉感知表现

在工业设备故障识别中实现高准确率与超低功耗

研究团队进一步将该系统应用于接触式工业设备状态识别。实验中，机器人手指搭载人工帕西尼感受器，与旋转电机设备接触，采集正常、轴承磨损、齿轮故障、轴系不对中和转子不平衡五种运行状态下的机械振动。不同故障状态产生的频率、幅值和频谱分布存在差异，这些复杂的模拟振动信号经人工帕西尼感受器转换后，被直接输入MoO₃忆阻器，并映射为具有区分度的电阻状态。实验结果显示，五类阻态特征在降维空间中形成较清晰的聚类，系统最终实现了98.0%的测试准确率，与基于相同数据训练的软件卷积神经网络相当。

在达到相同识别准确率的情况下，该系统展现出显著的能效优势。根据器件实测阻态、电压和处理时间计算，一体化系统完成测试集处理的总能耗约为12.5 μJ，平均功耗仅为0.250μW；相比之下，软件卷积神经网络的总能耗约为34.65 mJ，平均功耗约为0.128 W。这一优势来源于系统层面的协同设计：自供能感受器负责将机械振动转换为模拟电信号，忆阻器则利用自身的频率依赖和历史依赖特性完成阻态编码，从而减少ADC转换、数据搬运和数字特征提取带来的额外开销。

图 在工业触觉感知场景中展示ISMC架构与传统计算架构的比较

推动机器人触觉从“先感知、再计算”走向“边感知、边计算”

这项研究的意义在于，它尝试将机器人触觉中的感知、记忆和计算功能整合到同一条模拟硬件通路中。机器人不再只是被动采集触觉信号并将大量原始数据传输给外部计算机，而是能够在感知端利用器件自身的物理动力学，对信号进行实时编码和特征提取。未来，这类无ADC、超低功耗的一体化架构有望应用于机器人触觉感知、工业设备健康监测以及能源受限的边缘智能系统，为构建响应更快、能耗更低的具身智能感知终端提供新的硬件基础，推动机器人触觉从“先感知、再计算”逐步走向“边感知、边计算”。

清华大学计算机科学与技术系博士生孙豪、福州大学夏圣垣副研究员为论文共同第一作者；清华大学计算机科学与技术系孙富春教授、福州大学夏圣垣副研究员、中国科学院北京纳米能源与系统研究所蒲雄研究员为论文共同通讯作者。该研究得到国家自然科学基金、国家重点研发计划等相关项目支持。

本文由CAAI认知系统与信息处理专委会供稿