研究背景与发展现状

依托人工智能物联网（AI of things，AIoT）技术，数字孪生（digital twin）近年来实现了快速发展。数字孪生通过将物理系统中各类传感器的信息完整复制到云端，在云端完成系统监控与优化，对智能制造领域具有深远意义。其中，零件分拣与产品组装是无人工厂里的关键环节，而软体机械手凭借其低成本、高灵活性的特点，正受到业界与学术界的广泛关注。如何让机械手上的传感器提供多维度的感知信息，并使其杨氏模量与机械手本体相匹配，已成为提升机械手综合性能的核心问题。

文章核心概述

电子科技大学集成电路科学与工程学院（示范性微电子学院）“微波电路与微系统集成研究室”张晓升教授团队与新加坡国立大学电子与计算机系“智能传感与微机电系统中心”Chengkuo Lee教授团队携手合作，围绕“具有多模态感知能力的智能软体机械手”展开了深入研究并取得重要突破。相关成果以“Intelligent Soft Robotic Fingers with Multi-Modality Perception Ability”为题发表于iScience（26, 107249，2023）期刊。

本研究聚焦于TENG（摩擦纳米发电机）在数字孪生场景中的实际应用，成功开发出一套基于TENG的软体机械手系统，该系统配备两种不同类型的传感器。系统包含9个用作触摸传感器的single-layer TENG（SL-TENG）以及3个用作弯曲传感器的comb-shaped TENG（CS-TENG），灵敏度高达110V/kPa，且经过20000次按压测试后输出依然稳定。最终，结合一维卷积神经网络，该仿生传感系统成功实现了对物体的实时识别功能。

核心研究成果速览

本项工作的主要成果可归纳为以下四个关键方向：

• 触摸传感器结构优化设计：针对触摸传感器，团队设计了两种微结构方案：金字塔结构与半球结构。实验测试表明，采用半球结构的SL-TENG其灵敏度相比金字塔结构提升了7%。
• 弯曲传感器高精度检测能力：对于弯曲传感器而言，特殊设计的固定梳状电极使得研究人员能够轻松从CS-TENG产生的信号中分辨出机械手弯曲的具体角度，分辨率达到5°，展现出优异的测量精度与准确度。
• 3D打印软体手指集成：机械手由三根通过3D打印机打印的软体手指构成，可通过调节输入气体的压力来精确控制机械手的抓握力度，适配不同场景需求。
• 智能识别系统构建：引入一维卷积神经网络，利用机械手抓握不同物体时12个传感器（9个SL-TENG与3个CS-TENG）产生的信号构建数据集，经过训练与测试后，调用训练后的网络进行实时物体识别，识别准确率达到98.96%。

图1 软体机械手设计研究概览。系统采用9个SL-TENG作为触摸传感器、3个CS-TENG作为弯曲传感器，结合一维卷积神经网络，最终实现物体实时识别功能。

图2 智能传感系统的数据采集过程与识别响应特性。(A) 软体机械手实物照片。(i) 机械手未充气状态。(ii) 机械手充气状态。(B) 机械手抓握不同物体时各传感器输出响应对应的3D瀑布图。(C) 一维卷积神经网络（1D-CNN）的网络结构示意图。(D) 学习曲线展示模型训练过程。(E) 混淆矩阵呈现分类识别结果。

实用小贴士

• 传感器选型建议：在实际部署中，如果优先关注触摸灵敏度，推荐选用半球结构的SL-TENG；若更侧重弯曲角度的精确测量，则务必选择采用固定梳状电极的CS-TENG。
• 机械手控制技巧：通过调整输入气体的压力，能够精确控制机械手的抓握力度。建议根据被抓物体的软硬程度与重量预先进行实验，找出最佳气压范围以获得稳定抓取效果。
• 神经网络训练要点：训练数据集的多样性直接影响最终识别准确率。建议在抓取不同物体时，主动变换抓握角度与力度，从而提升模型的泛化能力与鲁棒性。

常见问题解答（FAQ）

Q1：SL-TENG的灵敏度为110V/kPa，这对实际应用意味着什么？

A： 110V/kPa的含义是：每施加1kPa的压力，传感器会产生110V的电压变化。如此高的灵敏度使得即便是极其轻微的触摸（例如轻触）也能被精确检测，非常适合需要精细触觉反馈的应用场景，比如软体机械手抓取易碎物品或精密零件。

Q2：20000次按压测试后输出仍稳定，这个寿命在实际场景中够用吗？

A： 完全够用。20000次按压相当于每天操作约55次，可持续使用一整年，对于实验室研究及原型验证阶段而言已经足够。若需更长使用寿命，可进一步优化材料或改进封装工艺。在常规工业应用中，易损传感器通常也会定期更换。

Q3：弯曲传感器的分辨率达到5°应如何理解？

A： 5°分辨率意味着机械手手指弯曲角度每变化5度，CS-TENG的信号就会产生一个可区分的波峰变化。这相当于能将手指弯曲状态划分为多个离散角度段（例如0°、5°、10°……），从而实现对抓握姿态的高精度控制与状态识别。

Q4：一维卷积神经网络（1D-CNN）与普通CNN有何区别？为何选择它？

A： 1D-CNN专门用于处理一维时序信号（例如传感器随时间变化的电压输出），而普通CNN通常用于处理二维图像数据。传感器产生的输出正是时间序列数据，使用1D-CNN可以更高效地提取波形中的关键特征，同时降低计算复杂度，非常适合实时识别场景。

Q5：识别准确率98.96%是在什么条件下测得的？

A： 该准确率是在实验室环境下，采用有限种类的物体（如不同形状、材质的标准测试物）进行测试得到的。在实际应用中，若物体种类增多或环境干扰增强，准确率可能会略有下降。建议根据具体应用场景重新训练和微调模型以获得最佳效果。

研究工作总结

本研究成功开发了一套基于TENG的软体手指仿生传感系统。团队提出并测试了SL-TENG的两种新型微结构，发现与小尺寸金字塔微结构相比，采用半球形微结构的SL-TENG灵敏度提高了7%，且其输出在经历20000次按压后依然保持稳定。此外，还提出了多种CS-TENG结构用于检测机械手弯曲角度，其中带有固定梳状电极的模型表现最佳——其信号稳定，可通过波峰数量清晰反映曲率变化。三根软体手指采用TPU材料经3D打印制成，并与各传感器集成为一体式传感系统，该系统可通过气压实现精确控制。所有传感器生成的数据被发送至计算机并保存为数据集，随后搭建并训练了1D-CNN模型，验证了实时物体识别能力，充分展示了该系统在数字孪生领域的广阔应用前景。