作者与发表信息
本研究由来自浙江大学（Zhejiang University）的杨倩倩 (Qianqian Yang)、李炳桥 (Bingqiao Li) 等多位研究人员，以及合作单位麦克马斯特大学（Mcmaster University）的 M. Jamal Deen 等学者共同完成。通讯作者为浙江大学的杨赓 (Geng Yang) 教授。该研究成果于2026年发表在顶级期刊《先进功能材料》（Advanced Functional Materials）上。
学术背景与研究目的
在高温环境下实现智能化的机器人触觉感知，一直是制约特种机器人发展的一个重大挑战。这是因为传统的压力传感器普遍依赖于单一的微观结构设计，在高温下容易出现材料软化，进而引发严重的性能衰退。本研究针对这一难题，旨在开发一种兼具超高灵敏度和卓越热稳定性的离子电子皮肤（iontronic skin），并通过从材料到智能的系统级创新，为下一代在严苛环境中作业的机器人提供可靠的触觉感知方案。研究的核心目标是打破单一尺度微结构的局限，并解决离子功能层在高温下的失稳问题，最终实现高精度、智能化的形状与纹理识别。
研究的详细工作流程
整个研究包含了从材料制备、结构设计优化、性能表征到智能应用验证的完整链条。
首先，在材料制备与结构设计阶段，研究团队通过一个五步流程制造了传感器：第一步是选取一叶竹芋（Calathea zebrina）叶子作为天然模具；第二步是用聚二甲基硅氧烷（PDMS）通过翻模复制叶片表面的微米级纹理；第三步是制备离子凝胶前驱体溶液，将其浇铸在PDMS模具上，形成单尺度微结构的离子薄膜；第四步，将离子薄膜层压到同样具有毫米级金字塔阵列的底部电极层（BEL）上，通过按压成型构建出多尺度分级结构；第五步，将此组件与顶部电极层（TEL）及PDMS间隔层进行封装。这种创新性的结构将仿生微纹理与人工中空毫米级金字塔阵列相结合，构成了一个三级微结构体系。为了优化设计，研究团队利用有限元仿真在ABAQUS软件中对三种离子薄膜结构（仅微米锥、微米锥覆盖实心金字塔阵列、微米锥覆盖中空金字塔阵列）的力学变形行为进行了模拟，结果表明中空金字塔阵列结构在同等载荷下展现出最大的形变和接触面积变化，因此被选为最优设计。此外，研究还对PDMS间隔层的高度（最终优化为0.30毫米）和模量（前驱体与固化剂比为15:1），以及离子凝胶中热塑性聚氨酯（TPU）与离子液体（[EMIM][TFSI]）的比例（最终确定为1:2.5）进行了系统优化，以实现传感器的初始电容和压力响应度的最大化。
其次，在热稳定性与机理研究阶段，为了确保传感器在高温下稳定工作，研究团队从六种候选的耐热型TPU（TPU-I至TPU-VI）中，通过从175°C至230°C的阶梯升温和70°C下24小时的持续力学加载实验，筛选出了硬段含量最高、热机械稳定性最优的TPU-II作为离子液体的封装基质。这使得整个离子功能层能在高达230°C时保持结构完整性，并能保证传感器在210°C的环境下依然具备有效的压力感知能力。
再次，在机电性能表征阶段，实验使用万能试验机配合高精度电容表（测量频率为1 kHz），对传感器的性能进行了全面评估。结果显示，由中空金字塔与微米锥构成的多尺度离子薄膜在压力下能发生渐进式形变，从微米特征逐步扩展到毫米结构，从而在极宽的压力范围内维持了有效的界面电容调控。
最后，在智能感知应用验证阶段，研究分三个方向展开：一是多模态生理信号监测，将传感器贴在口罩、手腕和脚底，以监测呼吸、脉搏和步态；二是物体形状的智能识别，在一个二指机械爪上安装三个传感器，通过多通道电容测量电路采集抓取八种不同截面形状物体时的信号，并结合数据驱动模型进行识别；三是高温下的纹理识别，将传感器集成在一个安装于机械臂末端的树脂触头上，使其在超过100°C的加热台上，以特定压力接触并横向滑过八种不同纹理的硅胶样本，通过分析滑动时产生的电容波动信号来辨识纹理。
研究的主要结果与结论
研究的核心成果体现在传感器前所未有的综合性能和智能感知能力上。在压力传感性能方面，传感器表现出了超高的灵敏度，在0至2 kPa的低压范围内，线性灵敏度高达约4700.1 kPa⁻¹；在66至496 kPa的高压范围内，灵敏度仍能保持在119.4 kPa⁻¹。这一卓越性能被归因于多尺度微结构带来的界面电容（interfacial capacitance）调制幅度的最大化。同时，传感器的检测极限低至35.9 Pa，响应与恢复时间分别为28毫秒和30毫秒，并且在5000次加载-卸载循环后信号输出保持稳定，展现了极佳的耐用性。
在热稳定性方面，传感器在210°C的高温下仍能正常工作，这主要得益于耐热聚合物链段对离子液体-聚合物网络的热增强作用。在超过210°C时，由于TPU基体软化或部分熔化导致离子液体封装被破坏，传感器才会出现热失稳。这一性能远超大多数报道的耐温型触觉传感器。
基于以上平台，研究在智能感知上取得了显著成果。在常温形状识别任务中，研究团队提出的混合模型“卷积神经网络-双向长短期记忆网络”（CNN-BiLSTM），通过同时捕捉信号的空间相关性和双向时间演化特征，对八种形状（包括三角形、五角星、五边形、十字形、圆形、扇形、正方形和心形）的平均识别准确率达到了94.1%。在100°C高温下的纹理识别任务中，通过对信号进行时域和频域的特征提取，并输入至长短期记忆网络（LSTM）模型，系统对八种不同纹理的平均识别准确率达到了96.0%。这证明了传感器在热应力下依然能为机器学习算法提供具有高区分度的信号。
研究的意义与价值
本研究的科学价值在于，它建立了一个从“材料-到-智能”的通用框架。该框架通过协同多尺度微结构工程、热力学稳定策略以及机器学习算法，成功克服了离子电子皮肤长期存在的灵敏度、量程和热稳定性之间相互制约的问题。这为柔性电子、离子电子学（iontronics）领域提供了新的设计范式。在应用价值上，此项工作为机器人皮肤在消防救援、工业锻造与铸造等高温高危场景下的应用铺平了道路，使得机器人能够完成诸如识别高温液滴重量这类人类无法直接执行的任务，对于推动特种作业机器人的智能化和实用化具有里程碑意义。
研究的核心亮点
本研究的亮点可归纳为三点。第一是多尺度微结构的创新设计，它打破了传统单尺度结构的瓶颈，通过仿生微米锥与人工中空毫米金字塔的协同，实现了界面电容的高效调控，这是实现超高灵敏度的关键。第二是材料的热稳定性强化，通过精心筛选和应用耐热TPU，从根本上解决了离子凝胶在高温下性能失稳的痛点，使传感器的耐温上限达到了210°C的领先水平。第三是系统级的智能集成，将高性能传感器与精巧的特征提取方法和深度学习模型（如CNN-BiLSTM）相结合，不仅在室温下，更在100°C的严苛条件下实现了高准确率的形状与纹理识别，全面展示了从底层硬件到顶层智能算法贯通的研究路径。