本研究报告介绍了一项由浙江大学机械工程学院流体动力基础件与机电系统全国重点实验室的杨倩倩、王梦可、陆雨尧、李佳燕、杨华勇、吕鸿昊、徐凯臣（通讯作者）与杨赓（通讯作者），以及浙江大学宁波理工学院（Polytechnic Institute）的李冰倩、悉尼大学电气与计算机工程学院的庞高阳等多位研究人员共同完成的原创性研究。该研究成果于2025年7月21日在线发表于国际顶级材料科学期刊 Advanced Materials，论文标题为“Machine Learning-Enhanced Modular Ionic Skin for Broad-Spectrum Multimodal Discriminability in Bidirectional Human–Robot Interaction”。本研究开发了一种名为“机器学习增强型模块化离子皮肤”（Machine learning-enhanced Modular Ionic Skin，MMIS）的新型触觉感知系统，旨在突破现有多模态触觉系统在传感范围与信号解耦方面的技术瓶颈。
随着仿生假肢、可穿戴健康监测及人机界面等智能应用的快速发展，能够模拟人类皮肤功能、感知多种复杂外部刺激（如温度、应变、压力及接近觉等）的多模态触觉感知系统已成为研究前沿。然而，当前此类系统面临两大核心挑战：其一，单一传感材料或结构的优化策略难以同时实现宽量程、高灵敏度的多模态传感性能；其二，不同传感模态间固有的信号串扰（Cross-sensitivity），尤其是热耦合效应，严重制约了系统的精确感知能力。传统的解耦策略，如设计选择性传感材料、构建抗干扰传感器结构或建立预定义数学模型，往往受限于特定信号关系或有限的适用范围。因此，如何在系统层面实现传感器性能与解耦策略的协同优化，以达成“广谱多模态辨别能力”（Broad-Spectrum Multimodal Discriminability），成为了该领域亟待攻克的关键科学问题。在此背景下，本研究提出了一种传感材料-算法协同优化的新策略，通过工艺调控实现离子导体的差异化设计，并结合数据驱动的解耦模型，以期系统性地扩展多模态感知与解耦的边界。
本研究的实验流程主要分为四个阶段：离子导体的差异化制备与表征、三模态传感组件的设计与测试、数据驱动解耦模型的构建与训练，以及系统级应用验证。
第一阶段：一维、二维和三维离子导体（1D/2D/3D-IC）的制备与表征 研究团队通过精确调控热塑性聚氨酯（TPU）基底中硬段（Hard Segments, HS）的含量和形貌，开发了三种分别对温度、应变和压力敏感的离子导体。 1. 一维离子导体（1D-IC）：通过将TPU、溶剂（二甲基乙酰胺，DMAC）和离子液体（[EMIM][TFSI]）的均质混合液在蛇形模具中进行热固化制得。此过程形成了富含硬段的相结构（HS-rich），硬段聚集增强了结构骨架。实验制备了不同TPU与离子液体比例（1:2, 1:3, 1:4）的样品（样本量n≥3），并通过拉曼光谱（Raman Spectroscopy）验证了其丰富的氢键与硬段聚集。传感性能测试显示，TPU比例为1:3的1D-IC在10–20°C范围内表现出最低的温度系数，达到了-4.00% °C⁻¹。 2. 二维离子导体（2D-IC）：采用热固化后双轴拉伸（Biaxial Stretching）的工艺制备。拉伸处理不可逆地拉直了软段并破坏了硬段域，形成硬段破碎的相结构（HS-broken）。拉伸应力-应变曲线证实，处理后的2D-IC拉伸应力显著降低。对不同TPU比例（1:1, 1:2, 1:3）的2D-IC进行应变传感测试，结果表明比例为1:1的样品具有最优异的线性应变感应性能，在0–100%应变范围内的线性灵敏系数（Gauge Factor, GF）达到2.95。 3. 三维离子导体（3D-IC）：通过湿度控制的通风干燥工艺制备。水分触发硬段水解，大幅降低硬段含量，形成无硬段相结构（HS-free）。实验制备了不同TPU与溶剂比例（1:3, 1:4, 1:5, 1:7）的3D-IC，扫描电子显微镜（SEM）图像显示其孔隙率随溶剂含量增加而增高。压力-压缩应变曲线证实，经湿度处理的3D-IC压缩性远优于未处理样品。电容式压力传感测试表明，比例为1:1:7（TPU:IL:DMAC）的3D-IC具有最高的相对电容变化，在0–40 kPa压力范围内，其分段线性灵敏度高达80.5 kPa⁻¹。此外，该3D-IC在215 kPa压力下经过10000次加载/卸载循环后，仍表现出优异的机械耐久性。
第二阶段：三模态传感组件的设计与表征 基于上述三种离子导体，分别构建了温度传感组件（TSC）、应变传感组件（SSC）和压力传感组件（PSC）。TSC采用蛇形沟道封装，其核心为1D-IC，传感机理为加热促进离子运动，从而增加电导率。测试中，TSC在10–160°C范围内表现出稳定的负温度系数响应，在27–130°C约17小时的热循环测试中保持稳定。SSC采用U型设计封装2D-IC，其机理为拉伸减小导体截面积并引入裂纹，导致电阻升高。五个SSC样本在0–50%应变下表现出高度一致的响应，平均GF为1.80。通过在0–25%应变下1000次循环测试验证了其极佳的耐用性。PSC由3D-IC、电极层和间隔层组成，其机理为压力增加电极与3D-IC的接触面积，从而增大电容。PSC在0–1.3 MPa的宽域压力范围内展现出分段线性灵敏度，检测极限低至63 Pa，响应和恢复时间分别为214毫秒和129毫秒。为提升电极耐用性，研究特别设计了网格化可拉伸电极，仿真与实验证明其在产生两条裂纹后仍能正常工作，其可拉伸性高达60%。
第三阶段：数据驱动解耦模型的构建与训练 为解决SSC和PSC中的热耦合效应，研究团队构建了一个基于长短期记忆网络（Long Short-Term Memory，LSTM）算法的数据驱动解耦模型。首先，通过一套包括可编程直流电源、加热台、万能试验机和LCR表等设备的定制化平台，系统性地采集了三个涵盖多刺激-多响应关系的数据集：(1) T-R1数据集，覆盖27–130°C温度范围；(2) T-𝜖-R2数据集，覆盖27–90°C温度与0–30%应变范围；(3) T-P-C数据集，覆盖27–53°C温度与0–410 kPa压力范围。训练过程中，温度、压力和应变预测三个子模型（Sub-models）被独立训练，以避免误差传导。其中，温度子模型采用双层LSTM架构，用均方误差（MSE）损失函数训练50个周期；压力子模型采用双向LSTM（BiLSTM）与LSTM混合架构，并提取时间序列特征，训练75个周期并采用早停法（Early Stopping）；应变子模型则设计为两阶段模型，第一阶段先由环境温度预测基线电阻，第二阶段再结合多项式特征变换的多层BiLSTM-LSTM网络精确估计应变。模型选择过程中，对比了五种不同算法，最终LSTM系列模型以其在处理时序数据上的优势胜出。
第四阶段：系统集成与应用验证 为验证系统功能，研究开发了两个模块化套件：(1) 可穿戴手部套件（Wearable Hand Kit），由嵌入SSC的三个手指绑带和集成了TSC与SSC的腕带组成，用于识别操作者手势并控制机器人。(2) 机器人夹爪套件（Robotic Gripper Kit），将TSC和PSC分别安装于机器人夹爪两侧，用于执行任务时实时感知并反馈温度与压力。在人体健康监测应用中，研究人员利用2D-IC传感器成功检测了手腕弯曲角度，利用3D-IC传感器监测了桡动脉脉搏（测得75次/分钟），并利用1D-IC传感器追踪了骑行和风扇冷却过程中的表皮温度变化，验证了其抗弯曲干扰能力。在机器人遥操作应用中，进行了剥壳鸡蛋抓取与放置任务。对比实验有力地证实，在温度干扰环境下，未使用解耦模型时，机械手会因错误信号而过度施力导致鸡蛋变形或放置不畅；而启用数据驱动解耦模型后，系统能够精准预测应变与温度，从而精确控制夹爪完成平稳、安全的操作。
本研究的实验结果呈现出一条清晰的逻辑链条，层层递进地验证了协同优化策略的有效性。首先，材料表征结果（图2）揭示了“工艺-结构-性能”的内在关联：热固化促进硬段聚集（高N─H拉曼峰），赋予1D-IC高温度灵敏度（-4.00% °C⁻¹）；双轴拉伸破碎硬段域（拉曼峰减弱），使2D-IC在保持高拉伸性同时拥有线性GF 2.95；湿度处理消除硬段（拉曼峰最弱），使3D-IC呈现多孔结构并具备超高压力灵敏度（80.5 kPa⁻¹）。这些结果不仅证明了工艺调控的有效性，更为后续三模态传感组件的高性能实现奠定了材料基础。
其次，基于这些优化材料的传感器件展现了宽域、灵敏且稳定的单一模态响应。TSC（图3d-e）实现了10–160°C的宽广感温范围；SSC（图3f）在0–50%应变内表现出优异的循环稳定性（1000次）；PSC（图3g-h, S11）的宽压敏范围（0-1.3 MPa）、高灵敏度、低检测限和快速响应，均达到或超越了同类研究水平。特别地，交叉干扰实验（图S13）初步显示各组件对其他模态刺激的低敏感性，为系统级解耦提供了优良的硬件基础。
最为关键的是，数据驱动解耦模型的引入，从根本上解决了热耦合对SSC和PSC的干扰问题（图4）。在覆盖更大温度（ΔT=100°C）和压力（ΔP=400 kPa）解耦范围的同时，模型的预测相对误差（REs）分别低至5.8%（温度）、15.0%（应变）和7.0%（压力）。这一解耦策略的优越性通过与15项代表性研究的“解耦感知长度（L）”指标对比得到直观体现，本研究的L值显著高于其他工作，证明了协同优化策略在扩展整体解耦范围上的先进性。
最后，应用验证结果（图5-7）将上述材料和算法层面的突破成功转化为实际功能。通过对比有无解耦模型下的机器人操作表现，直观而有力地证实了该算法能在真实可变温度场景中，准确从耦合信号中恢复出应变指令和夹爪压力反馈，确保了双向人机交互的精确性、稳定性和安全性。
本研究成功开发了一种机器学习增强的模块化离子皮肤（MMIS），其核心创新点在于提出并验证了一种传感材料-算法协同优化策略，以实现广谱多模态辨别能力。从科学价值看，该研究首次系统性地阐明了通过工艺调控离子凝胶中聚合物硬段结构，可定向优化其对特定刺激（温度、应变、压力）的传感性能，为多功能柔性传感材料设计提供了新范式。同时，本研究创新性地提出了“解耦感知长度（L）”这一无量纲化评估指标，为客观、定量比较不同多模态触觉系统的整体解耦水平提供了工具。从应用价值看，所开发的MMIS系统兼具模块化、可重构特性和宽域高精度解耦能力，在可穿戴生理信号监测、远程操控机器人等领域展现出巨大潜力，尤其是在变温环境下仍能保证精准力触觉交互，为下一代智能假肢、人机共融机器人等高端应用提供了关键的技术支撑。