本研究由南洋理工大学的Jiangtao Su、Dong Li、Hongyu Luo等与浙江大学的Jizhou Song、清华大学的Huajian Gao以及南洋理工大学的Xiaodong Chen共同完成，发表于*Advanced Materials*（2026年，第38卷，文章编号e74403）。研究的核心目标是提出并验证一种名为“机械编码材料”（Mechanically Encoded Materials, MEM）的新型感知范式，将感知、编码和初步计算功能直接嵌入材料结构中，以克服传统机器人触觉感知系统在数据冗余、延迟和鲁棒性方面的局限。

研究背景与目的

传统机器人感知系统依赖于连续信号采集和集中式电子计算。触觉传感器阵列通常通过时分多址（Time-Division Multiple Access, TDMA）方式依次采样模拟信号，再经模数转换后由中央处理器（Central Processing Unit, CPU）进行集中处理。这种方式存在三个主要问题：第一，随着传感器阵列规模增大，读出速率显著下降；第二，无论信号是否相关，所有数据都被实时采样和分析，导致数据冗余和感知延迟；第三，系统对环境变化的鲁棒性和适应性较差。相比之下，生物体感系统通过外周神经系统对机械感受器信号进行预处理，仅当刺激超过阈值时才产生动作电位，实现事件驱动（event-driven）的感知，从而高效抑制冗余数据。受此启发，本研究提出机械编码材料（MEM），利用几何-力-性能（Geometry-Force-Property, GFP）耦合机制，在外界刺激超过预设阈值时产生离散的二进制输出，无需连续采样或高强度电子处理即可实现边缘感知（edge perception）。

研究流程与实验方法

研究首先建立了三类MEM的力学模型，分别用于压力（MEM-P）、刚度（MEM-S）和曲率（MEM-C）感知。压力编码器被建模为带中心帽和固定边缘的圆形薄膜。其激活临界压力定义为使薄膜中心挠度等于腔体高度的压力值。采用修正的Reissner有限挠度理论并结合薄膜预应变效应，准确预测了压力-位移关系。理论预测、有限元仿真和实验测量的对比通过归一化均方根误差（Normalized Root Mean Square Error, NRMSE）量化，理论-仿真对比的NRMSE均低于0.1，表明模型与数值模拟高度一致；理论与实验在较大挠度（约2 mm）时偏差稍大，主要归因于简化模型未考虑的材料非线性。

刚度编码器的建模将压入的物体视为半空间，在特定压力下，具有临界刚度的物体会被挤入腔体并导致中心挠度达到腔体高度。采用弹性接触模型描述其力学行为。研究发现，当薄膜具有较高弯曲刚度（如刚性材料、小半径或大厚度）时，在早期压入阶段可能出现薄膜与物体表面的脱离现象，但脱离区域内薄膜不再继续变形，因此物体最终仍会与薄膜重新接触，脱离对激活刚度的实验测量和理论预测不构成实质性影响。曲率编码器由涂覆薄金属层的聚二甲基硅氧烷（Polydimethylsiloxane, PDMS）块状电极阵列组成，在基底达到临界弯曲曲率时，相邻电极的上角接触。通过假设PDMS电极不可压缩，所建立的理论模型能够预测基底变形形状和电极接触条件。

基于上述模型，研究进一步分析了关键几何参数对编码器性能的影响。对于MEM-P，通过调节腔体高度和腔体半径可以方便地实现不同的压力阈值；对于MEM-S，材料刚度阈值由腔体高度在给定压力下调控；对于MEM-C，曲率阈值通过调节电极长度和间距来确定。研究还提出了一般化的MEM设计框架，将设计变量分为强设计变量（如腔体尺寸、电极长度与间距）、弱设计变量（如薄膜杨氏模量）和对象特征状态变量（如物体施加的压力、材料属性和曲率半径），并给出求解逆问题以确定临界强设计变量的方法。

在器件制备与性能表征方面，MEM-P、MEM-S和MEM-C均以PDMS为主要结构材料，通过旋转涂覆、3D打印模具、氧等离子体键合等工艺制造。压力表征采用定制电机测试平台，实时同步采集力与电信号；刚度表征通过对不同弹性模量的样品施加相同位移并记录MEM-S激活情况完成；曲率表征使用一系列亚克力半径规（半径范围50–360 mm，共161个，测量不确定度低于2 mm）进行标定。器件一致性测试表明，10个独立制备的MEM-P和MEM-C的激活阈值具有良好的可重复性。长期稳定性测试显示，在空气和水中各30天，共60天的周期内激活阈值保持稳定；MEM-P和MEM-C在10000次加载循环后仍保持可靠的机械与电气性能（MEM-S为2000次）。响应/恢复时间分别为：MEM-P约0.⁷⁴⁴⁄₀.28 s、MEM-S约0.⁶⁶⁶⁄₀.447 s、MEM-C约0.⁹⁵⁹⁄₀.432 s。

主要结果

在单一器件层面，MEM-P在施加力小于380 mN时输出保持“0”，当力达到阈值时输出跳变为“1”，并随力继续增大保持不变。通过选择不同设计参数，可实现对不同力幅值的检测。MEM-S能够区分不同刚度的材料：较软的材料在压缩下更容易变形并在较小位移下激活传感器，而刚性材料在设计的操作范围内可能无法产生足够变形以激活传感器。实验以Ecoflex和PDMS（10:1）两种材料验证了刚度区分能力。MEM-C阵列中，电极间距从300 µm到1420 µm变化，间距越大对应的弯曲角度阈值越大；随着弯曲角度增加，对应LED灯依次点亮，显示了多级弯曲角度的区分能力。3×3 MEM-S阵列被用于检测和比较局部材料刚度，在视觉上相同的材料混合物中也能通过刚度差异实现区分。

在集成应用层面，将四组MEM-P和两组MEM-C集成到软体夹爪的每个手指上。整个夹爪共集成18个MEM器件，通过24 V数字输入/输出接口直接与机器人控制器相连。当夹取苹果、芒果和山竹三种水果时，18通道产生各自独特的二进制编码模式。苹果和山竹等形状规则的水果在三个手指间产生对称的脉冲模式，而形状不规则的芒果则表现出不对称输出。该编码不受光照条件影响：在四种光照条件（27.33、7.42、2.38和0.23 µW/cm²）以及干扰背景下，MEM系统的识别准确率均保持100%，而机器视觉在低光照下准确率大幅下降。此外，将MEM-S集成于工业夹爪上，对100个物体（软质PE泡沫和硬质ABS方块）进行分类，在光明和黑暗环境中识别准确率均为100%。与力敏电阻（Force-Sensitive Resistor, FSR）传感器相比，MEM在未激活时保持非工作状态，能耗显著降低；FSR则持续处于工作状态并产生大量时变数据，进一步增加能耗。

结论与意义

本研究提出的机械编码材料（MEM）通过几何-力-性能耦合，将感知、编码和初步计算嵌入材料本身，实现了事件驱动的边缘感知，无需CPU驱动的计算过程。该策略减少了数据带宽和感知延迟，提高了动态环境下的鲁棒性和适应性。研究不仅在理论上建立了三类编码器的力学模型并进行了实验验证，还展示了从单一器件到阵列集成再到软体机器人系统应用的完整路径。其科学价值在于提出了一种区别于传统数据驱动方法的材料感知范式，将信息处理概念化为材料属性；其应用价值则体现在软体机器人、假肢、工业自动化等场景中，特别是在光照不足或视觉信息不可靠的环境中提供鲁棒的对象识别与分类能力。

研究亮点

第一，提出了机械编码材料（MEM）概念，将感知功能嵌入材料架构，突破了传统电子传感与计算分离的范式。第二，建立了压力、刚度和曲率三类编码器的力学模型，并通过仿真和实验验证了模型的准确性。第三，展示了多刺激自解耦能力，每种编码器仅对特定刺激响应，实现了压力与弯曲信号的完全解耦。第四，在软体夹爪上实现了无需CPU的18通道二进制编码，成功用于水果识别与分类，且识别不受光照条件影响。第五，与FSR传感器相比，MEM在能耗、数据压缩比和信息熵方面表现出显著优势，验证了其在边缘感知中的实用性。