研究论文报告：《面向类人灵巧操作的机器人指尖多维触觉感知》

主要作者与发表信息

本文作者为许中欣（Zhongxin Xu）、吴艳艳（Yanyan Wu）、陈新乐（Xinle Chen）等，通讯作者为吴嘉宁（Jianing Wu）、夏崇坤（Chongkun Xia）与余树东（Shudong Yu）。研究团队来自中山大学深圳校区先进制造学院（School of Advanced Manufacturing, Shenzhen Campus of Sun Yat-sen University）。论文发表于《Science China Technological Sciences》，预计于2026年由Science China Press与Springer联合出版。该研究提出了一种基于应变感知的刚柔混合指尖触觉传感器（rigid-soft hybrid strain-based fingertip tactile sensor, RSHS-FTS）及配套的多层感知-滤波融合（multi-layer perception-filtering fusion, MLPF）算法框架。

研究背景与科学问题

人类指尖具有卓越的灵巧性，能够在动态交互过程中以高时空分辨率同时感知三维力与接触位置，从而实现稳定抓取与灵巧操作。复现这一能力是具身智能与机器人操作领域的核心目标之一。然而，现有机器人触觉反馈在精度、响应速度与长期稳定性方面仍远未达到人类指尖水平。传统刚性力/力矩传感器虽然线性度好、响应快，但难以贴合指尖尺度的复杂曲面；而基于柔性材料的阵列式或封装式触觉传感器虽然具有优异的几何顺应性，却普遍受到粘弹性迟滞（viscoelastic lag）、缓慢漂移与时变非线性的影响。如何在紧凑的指尖空间内同时实现三维力与接触位置的高保真解耦重构、并保持低迟滞与高重复性，是该领域尚未充分解决的关键难题。针对此，该研究从硬件与算法层面进行协同设计，提出刚柔混合结构与多源信息融合策略，以在低通道数条件下实现类人触觉反馈。

研究流程与实验方法

研究整体包含传感器硬件设计、触觉感知算法开发与机器人操作验证三个主要阶段。

在硬件层面，传感器由柔性弹性体层（compliant elastomeric layer）、刚性平面板（rigid planar plate）与四个三维力传感单元（three-dimensional force-sensing units）构成。刚性板尺寸为18 mm × 28 mm，四个力传感单元分别安装于板的四角，形成内部支撑骨架。外层覆盖约9 mm厚的Dragon Skin 20硅橡胶作为柔性指尖垫。外部接触力通过弹性体传递至刚性板，再由四个三维力传感单元进行测量。每个三维力传感单元集成七个印刷应变片（printed strain gauges），基于惠斯通电桥原理将电阻变化转换为电压信号。四个单元共提供12个独立传感通道，输出12维支撑反力向量。传感单元在安装过程中存在的灵敏度差异与角度偏差分别通过标定系数与罗德里格斯旋转公式（Rodrigues’ rotation formula）进行补偿。

在机械建模方面，研究建立了外部力与四个支撑反力之间的静力平衡关系。当外部集中力作用于柔性表面时，内部应力场沿厚度方向传播并在刚性连接面产生分布反力，该分布反力经四个支撑点离散化为十二维反力向量。由于四个支撑点空间非共线，该线性映射矩阵满秩，因此外力与力矩分量可被唯一确定。在小变形、单点接触与线弹性假设下，外力分量与作用点位置和十二维支撑反力之间存在局部一一对应关系。

在感知算法方面，研究提出MLPF框架。该框架包含两条独立观测通路。第一通路基于力平衡（force-balance, FB）关系与压力中心（center-of-pressure, COP）映射，通过解析方法计算外力与接触点坐标。第二通路采用多层感知机（multilayer perceptron, MLP）进行端到端非线性映射，以12维原始信号为输入，输出三维力分量与二维接触位置。训练数据共9180个样本，使用笔尖状压头施加局部接触力以准确标记等效集中力位置。网络包含三个全连接隐藏层，每个隐藏层512个神经元，采用ReLU激活函数与均方误差损失函数。数据按70%:15%:15%划分为训练集、验证集与测试集，训练重复五次验证稳定性。

由于柔性材料的一阶低通迟滞特性与各通道的缓慢时变偏差，两条通路的观测值均存在滞后与噪声。研究采用基于卡尔曼滤波（Kalman filter, KF）的两阶段数据融合方案。对于三维力估计，将真实三维力建模为随机游走过程，引入三维滞后状态向量与两通道三维偏差向量，构造增广状态向量并通过卡尔曼滤波递归估计真实力。对于接触位置估计，同样采用随机游走模型与双通道偏差状态进行融合。最终输出经过去噪、去偏与滞后补偿后的高精度触觉估计。

在实验验证阶段，研究搭建了由六轴力传感器、水平仪、直线平移台与数据采集模块组成的实验平台。在100个加载位置、五个力水平、三次重复试验条件下采集1500个样本作为独立验证集，系统评估三维力与接触点坐标的估计性能。

主要实验结果

基础触觉感知实验表明，法向力平均误差为0.11 N，切向力在x方向与y方向的平均误差分别为0.13 N与0.14 N。接触点在x方向与y方向的平均定位误差分别为0.21 mm与0.23 mm。综合统计后，平均力误差为0.13 N（满量程0–5 N的2.6%），平均定位误差为0.22 mm（工作区域18 mm × 28 mm的0.66%）。

消融实验显示，在恒定载荷条件下，MLPF方法的稳态误差显著低于纯深度学习模型，同时输出噪声远低于纯力平衡方法。关键动态性能指标方面，触觉估计输出的10%–90%上升时间从仅使用MLP通路时的271 ms降低至完整MLPF框架下的65 ms，降幅达76%。传感器与控制器均以30 Hz更新频率运行，闭环控制带宽约5 Hz，完整MLPF流水线平均计算延迟为27 ms每周期。加载-卸载循环实验表明传感器响应具有良好的重复性，滞后曲线与持续加载蠕变测试中残余漂移均较小。

在机器人操作验证中，传感器安装于六自由度机械臂末端执行器。最优抓取力控制实验中，机械臂分别抓取乒乓球、网球与一次性塑料杯。对于不同质量与刚度的物体，控制器均能收敛至最小稳定抓取力。当物体质量足够小时，系统自动施加0.5 N的最小抓取力以避免滑落与物体损伤。在稳定抓取网球时施加向上与向下的外部扰动，控制器能够实时调节抓取力以保持稳定。在抓取盛水的塑料杯过程中分两阶段注入额外水量，控制器自动增加抓取力以维持抓取稳定性。最优抓取位姿控制实验中，控制器通过触觉信息估计当前位姿偏差，以抓取点与物体重力矢量之间的最小距离作为误差距离，驱动机器臂关节运动使误差距离收敛至零。在模拟移动底座扰动条件下，最低关节持续旋转时，控制器仍能将误差距离保持在接近零的水平。触觉轨迹捕获与识别实验中，机械臂沿预定义“S–Y–S–U”轨迹在桌面上运动，触觉信息重建的轨迹图准确还原了运动路径，字母识别准确率达92%，每段轨迹平均定位误差为2.81 mm。

研究结论与价值

该研究提出了一种刚柔混合应变式指尖触觉传感器，仅用12个独立传感通道即可同时估计三维接触力与二维接触位置。MLPF框架将力平衡/COP解析估计、MLP非线性映射与卡尔曼滤波补偿相结合，有效抑制了柔性层引入的粘弹性滞后、漂移与测量噪声。实验结果表明，该传感器达到了平均力误差0.13 N、平均定位误差0.22 mm、上升时间65 ms的性能水平。该研究证明了结构简化与算法补偿的协同作用，为低通道数、低成本条件下的高保真触觉感知提供了可行路径。在机器人操作中，传感器支持最小稳定抓取力估计、外部扰动自适应响应、最优抓取位姿调节与触觉轨迹重建，为具身机器人系统的触觉智能发展提供了重要机制。

研究亮点

该研究的核心亮点在于硬件与算法的协同设计。硬件层面，刚柔混合结构以四个分布式三维力传感单元实现稀疏测量，相比典型16×16高密度触觉阵列（256个触觉单元）或32×32阵列（1024个触觉单元），通道数降低一到两个数量级，同时避免了阵列式传感器常见的通道间串扰与阵列级标定复杂性。算法层面，MLPF框架并非简单平滑信号，而是通过物理约束与数据驱动先验的紧密耦合实现滞后补偿与偏差估计。此外，触觉轨迹重建与字母识别实验展示了该传感器在“类躯体感觉推理”方面的潜力，使机器人能够仅依赖触觉信息推断指尖运动轨迹并识别互动模式。

局限性

当前模型基于单点接触与小变形假设，在大面积接触、多接触点或高柔性物体交互场景中可能失效。接触力映射模型具有几何依赖性，若将刚性骨架与柔性层重设计为高度弯曲的指尖形态，内部应力传播路径与局部接触法向将发生变化，需进行几何特异性的重新标定。此外，多点同时接触在当前框架下被机械叠加为等效合力与压力中心，无法唯一恢复各接触点的力与位置。长期材料老化引起的灵敏度显著变化仍需要定期加载重新标定。