本研究由清华大学的杨波、程嘉、曲学铖等多位研究人员，联合北京绿科科技等机构共同完成。通讯作者为清华大学的程嘉（邮箱：chengjia@tsinghua.edu.cn）。这项原创性研究成果以题为 triboelectric-inertial sensing glove enhanced by charge-retained strategy for human-machine interaction 的论文形式，于2024年11月22日在线发表于 Advanced Science 期刊。该研究针对现有摩擦电传感器在连续运动捕捉方面的局限性，提出了一种创新的电荷保持电路策略，并基于此开发了一套高度集成的智能手套系统（Triboelectric-Inertial dual-mode sensing Glove，TI-Glove）。
研究的核心科学领域为可穿戴电子设备与人工智能（Artificial Intelligence, AI）驱动的人机交互（Human-Machine Interaction, HMI）。随着人工智能、物联网（Internet of Things, IoT）和虚拟现实（Virtual Reality, VR）技术的飞速发展，传统键盘、触摸板等交互界面已无法满足沉浸式交互的需求。手部动作的精准捕捉成为实现灵巧机器人操控、VR交互以及手语识别等高级应用的关键。现有手部追踪技术主要分为两类：一类是基于视觉或惯性测量单元（Inertial Measurement Unit，IMU）的刚性方案，另一类是基于电阻、电容或光纤传感器的柔性方案。然而，视觉方法易受环境光线和遮挡影响，传统IMU手套则需处理海量数据且实用性较低，而柔性传感器通常需要外部供能，制备工艺也较为复杂。
摩擦电传感器因其低成本、自供电、材料选择广泛等优势，在可穿戴领域备受关注。然而，其核心痛点在于具有高达GΩ级别的内部阻抗，输出电荷在低阻抗的常规测量电路中极易泄露，导致仅能捕捉到瞬态的脉冲信号，无法反映手指的连续弯曲状态，这严重限制了其在实际人机交互中的应用。现有的一些解决方案，如使用昂贵的高阻抗静电计或高值电阻，均存在成本高昂或无法完全解决电荷耗散的问题。因此，该研究的核心目的是开发一种便携且能实现连续信号采集的电路方案，以解决摩擦电传感器在动态测量中的信号衰减问题，并集成IMU构建双模传感系统，最终实现多功能的人机交互和复杂手语识别。
该研究的整体工作流程可分为四个主要阶段：传感器的设计与制备、电荷保持电路的分析与开发、多功能人机交互应用演示、以及基于人工智能的手语识别系统构建。
第一阶段：摩擦电传感器的设计与制备 研究人员首先设计并制备了基于双电极接触-分离模式的柔性摩擦电传感器。传感器基底采用硅胶材料，内部形成一个空腔，空腔一侧粘贴玻璃纤维织物，构成负电摩擦材料（硅胶）和正电摩擦材料（玻璃纤维织物）的摩擦电对。柔性电极则是由混有多壁碳纳米管（MWCNTs）的硅胶制成。研究对比了Ecoflex和Dragonskin两种硅胶材料，并通过在Dragonskin摩擦层表面利用1000目砂纸制造微结构来增强输出性能。制备完成的传感器具有良好的柔性，能在拉伸、弯曲和扭转测试中保持性能，并与手指良好贴合。实验平台采用直线电机评估传感器电学特性，测试了在不同弯曲角度（30°至100°）、频率下的输出，并进行了高达12000次的机械耐久性循环测试。
第二阶段：电荷保持电路的分析与开发 这一阶段是该研究最具创新性的核心技术环节。研究首先分析了传统电压采集方法的缺陷：当传感器外部负载阻抗降低时，输出电压不仅比例减小，且衰减速度急剧增加，形成脉冲波形，无法维持信号。关键发现是，传感器的输出电荷信号在不同外部负载下相对稳定。当外部负载降至100 MΩ以下时，输出电荷波形的上升速率虽有微小变化，但整体波形保持稳定一致。基于此原理，研究团队开发了一款基于电荷测量的信号处理电路。该电路集成了一个精密运算放大器和一个反馈电容，通过积分电路原理将传感器产生的电荷直接累积在反馈电容上，从而产生连续且稳定的输出电压。理论公式 ( V_{out} = -Q_s / C_1 ) 表明输出电压与传感器产生的电荷量 ( Q_s ) 成正比，与反馈电容 ( C_1 ) 成反比。这一方法有效规避了电荷泄漏问题。最终，该处理电路与内置IMU、模数转换器及Wi-Fi模块的ESP32主控芯片一起，被集成到一个重量仅18.2克（含电池）的增强型印刷电路板（PCB）上，实现了多通道信号处理与无线传输的全便携化。
第三阶段：多功能人机交互应用演示 利用所开发的TI-Glove系统，研究团队展示了其在不同人机交互场景下的应用能力。首先，通过采集五指弯曲的连续摩擦电信号，实时且同步地控制机械手的动作，包括不同的手势及抓取。结合IMU输出的姿态信号，实现了对机器人的组合控制：手指动作控制机械手张合，手部俯仰和倾斜控制机器人前进、后退及转向，完成了远程遥控机器人处理危险品的综合演示。其次，在VR交互中，系统通过Unity平台实时将手部弯曲和方向映射到虚拟世界，完成了抓取火炬和投掷苹果等任务。在智能家居场景中，手指弯曲角度能够连续平滑地调节灯光亮度，而手部姿态的变化则可切换灯光颜色，突破了传统开关式的二元控制。最后，该系统还可作为直观的界面操作工具，通过手势变化实现图像的缩放和平移。
第四阶段：基于人工智能的手语识别系统构建 为突破仅依赖手指弯曲进行手势识别的局限，研究人员利用深度学习（Deep Learning）算法融合了摩擦电与惯性双模传感数据。数据集包含10种美国手语手势，其中包括仅涉及手指弯曲，以及同时涉及弯曲与手部方向的复杂手势。每种手势采集100次，每次4秒，以100 Hz采样率记录5通道摩擦电信号和3通道IMU姿态角数据，经分割和最大-最小归一化后，共形成1000个样本，按7:3比例随机划分为训练集和测试集。识别模型采用一维卷积神经网络（1D-CNN），包含4个卷积层、3个池化层和2个全连接层。实验结果表明，单独使用摩擦电传感数据对手势进行分类的准确率为94.69%，对于手指弯曲模式相似但手部方向不同的复杂手势存在严重误判。而融合双模传感信息后，模型在400个训练周期后，在测试集上达到了99.38%的稳定识别准确率，成功实现了对复杂手语的高精度识别。
1. 传感器性能表征 通过对比Ecoflex和Dragonskin两种材料的电气输出，实验数据显示，Dragonskin材料的传感器在开路电压、短路电流和转移电荷量上均优于Ecoflex。进一步，对Dragonskin材料进行表面微结构处理后，其输出性能再次得到提升。这验证了通过增加接触面积来增强摩擦电效应的策略有效性。传感器的开路电压随弯曲角度（30°到100°）增加而单调递增，展示了其对不同弯曲程度的良好鉴别能力。在耐久性测试中，传感器在12000次连续循环工作后，仍能保持稳定的开路电压输出，证明了其优异的机械可靠性。此外，传感器响应时间约为46毫秒，能够满足手指高频弯曲动作的追踪需求。
2. 电荷保持电路的卓越性能 通过与100 MΩ输入阻抗的示波器进行对比实验，电路的性能优势得到了充分验证。在连续弯曲、保持和释放的测试中，示波器采集的信号迅速衰减为零，呈现出反映动作瞬时变化的脉冲波形；而本研究的增强型PCB在相同测试条件下，输出的信号能够随着弯曲角度的改变而连续变化，并在角度保持不变时稳定地维持该信号水平，从而准确跟踪整个运动轨迹。特别是在慢速弯曲释放和阶梯式弯曲测试中，传统方法几乎无法获得有效过程信号，而电荷保持电路则能捕获完整、连续的信号变化。这使得从信号波形中可以提取多维特征，包括信号幅度（表征弯曲角度）、信号持续时间（表征保持时间）、以及信号曲线斜率（表征弯曲和释放速度），为精细、连续的手势人机交互提供了关键支持。
3. 应用演示验证系统通用性 TI-Glove系统在机器人控制、VR、智能家居等多个领域的成功演示，证实了其作为一种通用人机交互平台的潜力。在机器人综合控制中，将零功耗的弯曲感知与IMU姿态感知相结合，实现了多维度、高度同步的遥控作业。在灯光调节应用中，连续信号实现了亮度的“无级”调节，相比传统手套只能输出开关量信号，在交互的自然性和细腻度上实现了质的飞跃。
4. 双模融合显著提升识别精度 在手语识别任务中，模型训练结果清晰地揭示了双模融合的价值。仅依赖手指弯曲数据的模型在识别手势“I”和“J”、“Hello”和“B”等具有相似手指弯曲但手部方向不同的手势时出现大量混淆，导致准确率受限于94.69%。当引入IMU姿态角数据后，这些因手部方向导致的歧义被有效消除，准确率大幅提升至99.38%。这一逻辑严密的对比实验强有力地证明了，通过融合摩擦电（捕捉弯曲）与惯性（捕捉方向）传感信息，可以构建更全面、更准确的智能手语翻译系统。
该研究成功开发了一种名为TI-Glove的摩擦电-惯性双模传感智能手套系统。其核心贡献在于，深入分析了摩擦电传感器信号的泄露问题，并提出了基于电荷测量的轻量化信号处理电路，创新性地实现了对零功耗摩擦电传感器连续信号的可便携式精确获取。通过集成IMU，系统以简单的设计和高集成度，实现了对手部弯曲与姿态的全方位捕捉。
本研究的科学价值在于为摩擦电传感器提供了一种全新的信号采集范式，解决了因其高内阻特性导致的长期以来难以进行便携式连续测量的瓶颈问题。其应用价值极为广泛，所开发的系统在工业制造、沉浸式娱乐、智能家居控制以及残障辅助（尤其是高精度手语识别）等领域均展现出巨大的应用前景，对于推动下一代直观、自然的人机交互技术的发展具有重要意义。