哈工大冷勁松院士AM：新型雙模電子皮膚，機器人手實現“隔空觸物”與精準識別

隨著機器人系統在非結構化動態環境中智能化交互的需求日益增長，賦予機器人多模態感知能力已成為一項關鍵且富有挑戰性的任務。當前，機器人主要依賴接觸式傳感器獲取信息，雖然各類觸覺傳感技術已能獲取豐富的物體屬性，但僅憑觸覺極大地限制了機器人與未知環境的交互與適應能力。另一方面，受生物啟發的非接觸傳感技術，如超聲波、地磁或濕度傳感，在實際應用中常受環境干擾、信號微弱或魯棒性不足的制約。特別是基于靜電場的非接觸傳感雖更具穩定性，但其固有電場強度不足，導致有效探測距離有限，成為實際應用的瓶頸。

為此，哈爾濱工業大學冷勁松院士、劉彥菊教授和劉立武教授團隊介紹了一種用于多功能機器人手的靜電增強雙模電子皮膚（e-skin）。該e-skin由預極化的膨體聚四氟乙烯（ePTFE）駐極體嵌入Ecoflex彈性體制成，表面沉積銀納米線作為傳感電極。它巧妙利用嵌入駐極體產生的靜電場實現非接觸傳感，同時基于摩擦電效應實現接觸傳感。這種結構顯著增強了內部電荷密度，從而提升了非接觸傳感的強度和范圍。集成該e-skin的機器人手，在長短時記憶（LSTM）神經網絡的輔助下，實現了對物體形狀100%的識別準確率和對物體材料97.35%的識別準確率，為機器人平臺提供了一種 versatile 的多模態感知界面。相關論文以“Electrostatic Enhanced Dual-Mode Electronic Skin for Multifunctional Robotic Hands Capable of Object Shape and Material Recognition”為題，發表在

Advanced Materials

受鯊魚洛倫茲壺腹電感受器的啟發，研究人員設計了一種兼具非接觸與接觸感知能力的仿生e-skin（圖1）。其結構核心是將極化后的ePTFE駐極體薄膜嵌入液態Ecoflex中固化，形成柔性耐用的彈性體基體，隨后在其表面沉積銀納米線形成導電網絡良好的參考電極。當物體接近時，e-skin電極電位因靜電場相互作用而改變；當直接接觸時，摩擦則產生摩擦電信號，兩種信號特征分明易于區分。制備的e-skin機械性能優異，拉伸應變可達450%，且Ecoflex封裝有效保護了駐極體表面電荷，使其表面電位在一個月后仍能保持初始值的約60%，在復雜環境中表現出良好的耐久性與可靠性。

圖1 (a) 鯊魚電感受器示意圖。(b) 安裝在機械手上的電子皮膚結構。(c) 裝備了電子皮膚的機械手。(d) 具備類人視覺與觸覺能力的多功能機械手。(e) 非接觸感知與接觸感知信號示意圖。(f) 電子皮膚制備過程。(g) 單軸拉伸測試下電子皮膚的應力-應變曲線。(h) 電子皮膚表面電位隨時間的變化。

為了探究e-skin的非接觸傳感性能，研究團隊進行了一系列實驗（圖2）。測試表明，嵌入高表面電位（-2000 V）ePTFE駐極體的e-skin，在手掌接近或遠離時產生的電極電位變化（ΔVe）顯著高于未嵌入駐極體的對照組，這驗證了駐極體引入的額外表面電荷能極大增強傳感能力。同時，研究也揭示了非接觸傳感的距離依賴性：隨著傳感物體與e-skin之間距離的增加，ΔVe逐漸減小，靈敏度下降。通過建立考慮有限尺寸邊緣效應的理論模型，團隊明確了影響傳感性能的關鍵因素，包括e-skin和傳感物體各自的表面電荷密度與面積。

圖2 (a) 非接觸感知的簡化物理模型。(b) 感應物體與電子皮膚之間的距離d1變化引起的電極電位變化ΔVe。(c) 含駐極體與不含駐極體的電子皮膚中ΔVe的對比。(d) 感應物體逐漸遠離電子皮膚時，電極電位Ve的變化曲線。(e) 感應物體每進一步遠離1厘米時，對應的ΔVe值。(f) 對聚酰亞胺(PI)、聚對苯二甲酸乙二醇酯(PET)和紙張進行非接觸感知測試的結果。

基于上述理論，研究人員通過實驗驗證了靜電增強非接觸傳感的可行性（圖3）。他們系統地測試了具有不同表面電位（-1 kV 至 -8 kV）的ePTFE薄膜與對應極化的PTFE傳感物體配對時的性能。結果表明，隨著e-skin內駐極體以及傳感物體表面電位的絕對值增大，相同位移引起的ΔVe顯著增強，這直接證明了通過提高表面電荷密度可以有效提升非接觸傳感的強度。此外，實驗還考察了傳感物體尺寸的影響，發現增大傳感物體的面積同樣能帶來更高的信號響應。這些發現為優化非接觸傳感的靈敏度和有效范圍提供了明確的實驗依據和調控路徑。

圖3 (a) 電極電位變化ΔVe與電子皮膚中ePTFE的表面電位及感應物體表面電位之間的關系。(b) 在電子皮膚中ePTFE表面電位分別為-8 kV和-1 kV的條件下，各種材料在非接觸感知測試中的ΔVe。(c) 不同尺寸的電子皮膚與感應物體面積對ΔVe的影響。(d) 當ePTFE和感應物體的表面電位分別為-8 kV和8 kV，且尺寸均為20 cm × 20 cm時，ΔVe的變化趨勢。(e) 不同非接觸傳感技術之間在傳感強度與傳感距離方面的比較。

通過強大的非接觸傳感能力，該e-skin能夠識別不同形狀的物體（圖4）。當e-skin以非接觸方式掃描立方體、三棱柱、半圓柱體、直角梯形和等腰梯形等不同幾何形狀時，其參考電極會產生具有不同幅度和持續時間的特征信號。研究團隊通過傅里葉變換將時域波形轉換為頻域數據，提取關鍵特征后，利用擅長處理時序數據的LSTM神經網絡進行分類，最終實現了對五種形狀100%的準確識別，其性能優于卷積神經網絡（CNN）和支持向量機（SVM）。

圖4 (a) 電子皮膚掃描不同形狀物體示意圖。(b) 掃描不同形狀物體時電子皮膚產生的信號。(c) 特征提取完整流程。(d) 波形數據延拓示意圖。(e) LSTM模型結構。(f) LSTM模型識別五種不同形狀的混淆矩陣結果。(g) LSTM模型的訓練過程。(h) LSTM、CNN和SVM模型平均準確率對比。

在接觸傳感方面，e-skin則用于識別不同材料（圖5）。當機器人手直接接觸鋁、銅、聚酰亞胺、尼龍、亞克力、紙張乃至人體皮膚等材料時，由于材料電負性差異，會產生特征各異的摩擦電信號。研究人員提取信號的峰值和谷值作為主要特征，并控制接觸力和環境濕度的影響，同樣利用LSTM等機器學習模型進行分析，實現了高達97.35%的材料識別準確率。

圖5 (a, b) 基于接觸感知進行材料識別的示意圖。(c) 測試所用的一系列材料樣本。(d) 與不同材料接觸時產生的摩擦電信號。(e) 從摩擦電信號中提取峰、谷值作為特征。(f) 用于材料識別的LSTM神經網絡結構。(g) 所有訓練集和測試集數據的特征值分布。(h) LSTM模型材料識別的混淆矩陣（準確率97.35%）。(i) CNN與SVM模型材料識別的準確率對比。

最終，團隊將雙模e-skin集成到機器人手上，進行了全面的功能演示（圖6）。整個信號處理流程包括原始信號采集、濾波、模數轉換，并通過串口通信傳輸至計算機，由Python實現的LSTM神經網絡進行實時分析與分類顯示。實驗演示中，機器人手成功同時識別了亞克力半圓柱體、鋁立方體、銅三棱柱等多種組合的物體形狀與材料，充分驗證了該雙模e-skin在實際復雜感知任務中的魯棒性與實用性。

圖6 (a) 用于物體形狀和材料識別的LSTM神經網絡整體計算流程圖。(b) 集成電子皮膚的機械手照片。(c-g) 形狀與材料同時識別演示：丙烯酸半圓柱體、鋁立方體、銅三棱柱、銅直角梯形體和鋁等腰梯形體。

綜上所述，本研究開發的雙模電子皮膚，通過利用嵌入式駐極體結構產生強內在靜電場，為機器人的非接觸感知提供了一種創新方案，顯著提升了靈敏度和探測范圍。結合先進的機器學習算法，它使機器人能夠準確、實時地識別物體的復雜屬性。這項工作不僅為非接觸傳感引入了新范式，更橋接了先進傳感技術與實際機器人應用之間的差距，為自動化、醫療保健和人機交互等領域的智能機器人發展開辟了新的道路。