基于大面积柔性电子皮肤的机器人应用

摘要 柔性仿生电子皮肤是一种模仿人类皮肤感知功能的新型智能材料系统，其独特的优点 使其在机器人触觉反馈、假肢感知、可穿戴健康监测及人机交互等领域有着广泛的潜 在应用场景。柔性仿生电子皮肤通常由柔性基底、导电传感层与封装保护层构成，具 备压力、摩擦力、温度、滑觉、材质等多模态感知能力，并具有良好的拉伸性、弯曲 适应性与生物相容性。近年来，随着柔性电子技术的进步与人工智能算法的融合，柔 性仿生电子皮肤在灵敏度提升、信号处理优化与大规模集成方面持续改进，部分产品 已实现高空间分辨率与自修复功能。未来，柔性仿生电子皮肤将在多功能融合、神经 接口集成与智能化反馈方向实现更大突破。一方面，通过引入光敏、气体敏感或生物 分子识别单元，进一步拓展其在医疗诊断、环境监测与智能服装中的应用边界；另一 方面，结合神经形态计算与类脑芯片技术，推动其向真实触觉模拟与神经刺激反馈方 向发展，增强机器人与假肢的“感知-反应”闭环能力。此外，随着印刷电子与卷对卷制 造工艺的成熟，柔性仿生电子皮肤的生产成本将显著下降，有望加速进入消费级与医 疗级市场，成为下一代人机交互的重要载体。

背景与需求洞察

现有柔性电子皮肤主要集中于机械手指尖，整体覆盖率不足 5%，直接导致协作、安全 与精细操作场景中机器人的触觉缺失，难以满足生活、工业与医疗对高可靠人机交互 的需求。目前主流的触觉传感器使用霍尔传感器技术，通过磁场的变化为机器人提供 触觉信息，然而霍尔传感器成本居高不下，严重制约了机器人全身触觉系统的发展。 本项目重点在于“大面积化部署”带来的场景革新。我们基于成熟的柔性电容式触觉贴 片，设计了可级联的双线总线架构与即插即用固定方案，使整条协作机械臂在 30 分钟 内即可完成触觉“穿戴”，并将高维触觉信息无缝并入现有控制闭环。由此衍生的核心 应用价值包括：

1. 触觉安全屏障

机器人三大定律之一提出——机器人不得伤害人类个体，然而目前的机器人几乎不 存在人类保护系统，触觉贴片实时监测接触分布并驱动限速／让步策略，可显著降低 人与机器人共域作业中的碰撞风险。

2. 无视觉力控装配 在视线受遮挡或光照不稳定的狭小空间内，触觉流与力位协同控制使机器人完成插

拔、锁紧等操作，提升工作鲁棒性与良品率。

3. 触觉示教与康复评估

系统精确记录人手对机械臂的推拉受力，为柔性示教、技能复现和上肢康复训练提供 量化依据与即时反馈。

4. 机器人磨损优化 机器人三大定律第三条指出，机器人在必要的情况下要保护自己。然而目前商用化

的机器人普遍存在一定程度的自我伤害行为，在缺少触觉系统的情况下，机器人在正 常使用的过程中经常发生自体损伤，严重影响了机器人的普及。通过大面积的柔性传 感器覆盖，机器人可以在行动中进行数据优化，从而降低使用损耗。

上图为机器人在运动时关节处的自我损伤，因为缺少电子皮肤，关节之间出现严重磨 损，机器人没有感知也不会停止运行。

设计说明

硬件设计

硬件设计旨在将现有的柔性电子传感器应用于灵巧手和机械臂的系统集成中，实现对 操控对象的精确压力与运动感知，从而提高自主操控的灵敏性与安全性。

灵巧手部分采用的手型电子膜传感器RX-G0505M柔性手套型压力传感器。该传感器通 过精密印刷工艺将纳米力敏涂层、银浆等材料转移至柔性薄膜基材上，经干燥固化形 成 5×5 阵列的压阻型感应单元，每个感应单元面积约为 100 mm²。传感器的电阻随压力增大而减小，其特性符合近似幂函数关系，可用于实现对手部运动、压力分布及康 复训练等多种应用场景中的数据采集与反馈。

对于比较平整的部分，比如平整的前胸后背和手臂，我们采用的柔性电子传感器设计 较为简易，尺寸为 70 cm × 40 cm。该传感器主要用于监测机械臂在执行任务过程中产 生的接触压力，通过对压力数据的实时采集和分析，可以实现对机械臂输出力分布及 其与环境交互情况的有效监控，从而提高系统的自适应控制能力和安全性。

为确保两种传感器与整体控制系统的高效对接，本设计在硬件与软件层面进行了如下 规划：

1. 硬件接口设计：开发统一的数据采集平台，确保各传感器输出信号稳定传输至上位 机及控制模块。对柔性传感器的排线及接口形式进行适配设计，以满足灵巧手与机械 臂的安装要求。

2. 信号处理与校准：针对不同传感器的特性，设计相应的信号放大、滤波及数字化电 路，并基于实验数据建立校准模型，确保采集数据的准确性和一致性，从而实现对压 力分布和运动状态的高精度监测。

3. 系统集成与数据融合：构建多传感器数据融合算法，将灵巧手与机械臂中的传感数 据进行有效整合，实现对整体操作环境和动态状态的综合感知，为上层决策和运动规 划提供可靠的数据支撑。

该设计方案通过将柔性电子传感器与灵巧手及机械臂系统相结合，不仅充分发挥了传 感器在高灵敏度压力检测和精细手部动作捕捉方面的优势，同时也强化了机械臂在复 杂环境下的触感反馈能力，为未来多自由度、复杂动态任务下的自主操控系统奠定了 技术基础。

算法设计 传统传感器的算法研发涉及到传感器的仿真和数据的采集，但是工程量特别繁重，普 通触觉传感器则较为简单，这里我们提出大模型算法的使用来避免繁重的数据采集工 程量。

视觉与语言模块本模块采用预训练的 CLIP 视觉语言模型，该模型基于 Transformer 网 络结构，具有同时处理图像和文本数据的能力。系统首先接收摄像头采集的场景图像 以及通过语音或者手动输入传递的任务指令。图像数据经过卷积层和多头自注意机制 提取出场景中的物体、背景以及环境布局等关键信息；文本数据通过词嵌入层和 Transformer 编码器获得语义向量。接下来，将两路信息投射到同一语义空间内，并通 过交叉注意力机制进行特征对齐，使模型能够准确理解场景具体情况和任务要求，从 而生成综合的场景描述和任务目标向量，为下一步决策提供高质量语义支持。

柔性电子传感器数据处理模块包括两部分数据采集装置：一部分是集成于手套内部的 5×5 压力传感器阵列，每个感应单元提供局部压力数据，用以捕捉手部抓握时的细微 变化。另一部分为覆盖机械臂接触面的柔性压力传感器，其传感区域尺寸为 70 cm×40 cm，用于实时监控机械臂与外界环境接触时的力分布。数据采集后，首先 对原始信号进行归一化处理，并利用数字滤波、移动平均等技术去除高频噪声；其次， 对存在的缺测数据进行插值补全。接着，将预处理后的时空连续数据输入到设计好的 卷积神经网络中，通过多层卷积、激活函数及池化操作逐步提取出代表手部抓握状态、 接触强度及压力分布变化等特征信息，最终生成描述传感器状态的特征向量，为后续 融合提供准确的物理反馈。

多模态数据融合层负责将来自视觉、语言及柔性传感器三种不同来源的数据进行整合。 各模块分别经过编码后产生的高维特征向量，通过全局注意力机制进行加权融合。融 合过程中，系统设立一个统一的状态表示空间，利用跨模态注意力机制细致捕捉各数 据之间的关联性，从而实现对场景背景、任务指令以及实时物理反馈信息的统一表征。 该融合策略确保每个数据源的特征信息在最终状态表示中均得到充分体现，使得后续 的决策模块能在单一高维表示中全面获得环境的全面细粒度描述，从而有效支撑复杂 任务下的动作规划与实时控制。

决策与控制模块基于多模态融合层输出的统一状态表示，决策与控制模块构建了机器 人操作的完整状态空间。系统采用深度强化学习算法，并结合模仿学习策略，利用策 略梯度方法对控制策略进行在线优化。在初步训练阶段，通过专家示范数据构造初始 策略，使模型学会完成如抓取、搬运与环境交互等基础任务；随后，在实际运行中， 模型持续接收来自视觉与语言的全局环境描述以及柔性电子传感器反馈的局部接触力 度信息，实时更新决策策略。决策模块生成的控制信号能够同时调控机械臂的运动轨 迹和手部抓握力度，从而在执行期间不断校正动作，确保操作安全且具有柔性适应能 力。此种方法保证了机器人在复杂、多变应用场景下能够根据环境动态变化做出精准 响应，实现高效率与高安全性的任务执行。

可视化展示 下图是我们近期的传感器实验效果，我们成功获取到两种压力传感器信息并且通过 Robot Operating System(ROS)发送给机器人。如图所示，压力传感器成功识别各类手势的力度。

预期效果图： 实验通过机械臂与灵巧手协同执行实验，利用覆盖于末端执行器的电子皮肤获取与不 同物体接触时产生的力反馈信号。基于上述触觉数据，可对物体接触时的压力分布进 行精准识别与定量评估，并据此生成相应的力控响应策略。此外，该方法有望在一定 程度上替代传统的摄像头与雷达等第三方全方位传感器，从而降低机器人系统对外部 传感器的依赖，提升环境感知的鲁棒性与实时性。