基于海葵启发的智能软准生物体：集成传感驱动触手与自主感知决策系统
一、 作者、机构与发表信息
本研究由一支跨学科研究团队完成。主要作者包括 Chang Liu, Jinan Luo, Haidong Liu, Junxin Fu, Houfang Liu, Hao Tang, Zhikang Deng, Jingzhi Wu, Yuanfang Li, Chuting Liu, Shiqi Peng, Juxin Hu, Tian-Ling Ren, Jianhua Zhou 以及 Yancong Qiao。研究团队主要来自中山大学深圳校区生物医学工程学院、中山大学生物医学工程学院关键传感技术与医疗仪器广东省重点实验室，以及清华大学集成电路学院和北京信息科学与技术国家研究中心。本研究发表于国际知名学术期刊 Advanced Functional Materials，于2024年6月25日在线发表，文章编号为 202404333，DOI：10.1002/adfm.202404333。
二、 学术背景与研究目的
本研究属于软体机器人、柔性电子学与生物启发式人工智能交叉的前沿领域。当前，软体机器人因其与生物组织的相似性、无限自由度以及适应复杂环境的能力，在移动、抓取、医疗和人机交互等领域展现出独特优势。然而，与自然界生物（如海葵）不同，现有的软电子系统通常将传感器和执行器（驱动器）制作成分离或离散的部件。这种分立形式导致了一系列问题：缺乏原位反馈、运动时接口不匹配、需要额外的集成步骤，以及系统接口复杂性增加。这些问题严重阻碍了实现类似于生物体的、完全闭环的自主决策系统。因此，开发能够无缝集成传感、驱动、处理和自主控制能力的软系统至关重要。
受到海葵的启发，研究团队瞄准了其卓越的神经肌肉系统。海葵通过其触手同时实现高密度感知和驱动功能，内部的神经网络连接输入与输出，进行信息整合和记忆形成等计算，最终做出自主的、闭环的决策。这种将感知细胞与肌肉细胞和谐集成的能力，是实现从简单到复杂生命体进化的关键一步。为了在人造系统中复制这种神经肌肉系统，需要模仿并集成生物组织的各个组件，并开发新的传感器-执行器集成策略。
基于此背景，本研究旨在实现一个“智能软准生物体”。具体目标为：1）提出并实现一种新颖的传感器-执行器同质集成策略，使同一材料和结构同时具备感知和驱动功能，解决分立部件导致的集成难题；2）构建一个海葵形状的软准生物体，该SQO配备上述集成触手，能够模仿海葵的神经肌肉系统；3）赋予该SQO实时状态识别和主动自主物体识别的能力，通过集成机器学习算法和定制电路，形成一个智能闭环决策系统，最终实现对静态物体的智能识别与抓取，超越人手的识别精度。
三、 详细研究流程与方法
本研究包含设计、制备、表征、算法集成与功能演示等多个相互关联的步骤，形成了一个完整的技术闭环。
第一步：SQO触手的设计、制备与基础表征 研究首先设计了仿生触手的多层结构。单个触手由四层功能互补的材料构成（图2a）： 1. 功能层：由激光诱导石墨烯（Laser-Induced Graphene, LIG）构成。利用激光直写技术，一步法在聚酰亚胺（PI）薄膜上生成具有特定几何图案的LIG。LIG具有三维多孔结构、高导电性和优异的热导率。 2. 转移层：由超薄的聚对苯二甲酸乙二醇酯（PET）胶带构成，用于将LIG从PI基底转移到更柔软的PET基底上，以利于更大的驱动弯曲变形。 3. 驱动层：由聚二甲基硅氧烷（PDMS）构成。PDMS具有高弹性，在传感中可作为拉伸基底，在驱动中因其高热膨胀系数（CTE）而成为主要驱动材料。 4. 支撑层：由聚酰亚胺（PI）构成，其高杨氏模量用于增加抓取力。 制备过程（图2c）主要包括激光刻写LIG图案、将图案转移到PET基底、旋涂PDMS并固化，最后旋涂一层薄PI作为支撑。通过这种工艺，可以制备出尺寸在5至25毫米之间的多种尺寸海葵状抓取器（图2b）。通过扫描电子显微镜（SEM）和拉曼光谱对LIG的多孔结构和高品质进行了表征（图2d-f）。有限元模拟被用来优化LIG层的梯形图案设计，相比矩形结构，梯形设计能使温度分布更集中于外侧变形最大区域，从而提高驱动效率，模拟与实验结果高度吻合（图4g-h）。
第二步：SQO触手的传感性能表征 基于LIG的压阻效应和PDMS的拉伸性，SQO触手可作为应变传感器。其传感原理是：当LIG被拉伸时，其导电通路变窄、变长，宏观表现为电阻增加（图3a）。 * 实验方法：将触手样本制成矩形条状，固定在商用拉伸测试仪上，使用数字万用表实时测量拉伸过程中的电阻变化（图3b）。 * 关键结果： * 灵敏度：在4%的应变范围内表现出良好的线性度，应变因子（Gauge Factor, GF）为17.7（图3c）。 * 重复性与稳定性：在不同应变幅度（1%-4%）、不同拉伸频率（0.025 Hz – 0.4 Hz）下均表现出稳定的响应波形（图3d-e）。经过1000次3%应变的循环测试，电阻变化保持一致，显示出极高的可重复性（图3f）。环境湿度和温度变化对其传感性能影响可忽略。 * 应用基础：这种稳定、可重复的电阻-应变对应关系，使得通过电阻值反推触手形变成为可能，为实现状态识别奠定了基础。
第三步：SQO触手的电热驱动性能表征 基于LIG的高电热效应和LIG/PDMS层之间的热膨胀系数差异（CTE不同），SQO触手可作为电热驱动器。 * 驱动原理：施加电压时，LIG层产生焦耳热。由于LIG的CTE低（-1.0 × 10⁻⁴ K⁻¹），而PDMS的CTE高（9 × 10⁻⁴ K⁻¹），两层材料热膨胀程度不同，导致整个结构从PDMS侧向LIG侧弯曲（图4a）。 * 实验方法：将梯形触手样本两端连接至可调直流电源，施加不同电压（16V, 18V, 20V, 24V），使用红外热像仪记录温度分布，并测量相应的弯曲角度。 * 关键结果： * 可控性：弯曲角度与温度变化近似线性（k=0.95），与施加电压的平方成二阶关系（R²=0.988），这意味着通过调控电压可以精确控制触手的姿态（图4c, d, h）。 * 高性能：在仅24V的低驱动电压下，达到了高达496°的弯曲角度，其角度/电压比（1.33）优于许多现有电热驱动器（图4f）。 * 重复性与响应速度：驱动器在连续切换循环中展现出良好的重复性，响应时间和恢复时间均为10秒（图4e）。 * 集成策略（HMHI）：以上传感和驱动功能是通过“异质机制同质集成”（Heterogeneous Mechanisms Homotopic Integration, HMHI）策略实现的。核心在于利用相同的材料组合（LIG和PDMS），但基于不同的物理机制（压阻效应和电热膨胀效应）来实现传感和驱动。这种策略解决了传感器和执行器异质集成的问题，大大提升了功能集成度并降低了系统复杂度（支持信息图S13）。
第四步：基于机器学习的状态识别 为了展示传感与驱动功能分离状态下的应用，研究团队开发了海葵形状SQO的十六种状态识别功能。 * 数据集构建：对四个触手进行独立编码，通过对特定触手施加触觉刺激（触摸），可以组合出十六种不同的状态（图5a-b）。使用数字万用表采集每种状态下四个触手的电阻值随时间变化的数据，每种状态采集约200个数据样本。 * 算法与训练：构建了一个卷积神经网络（CNN），包含两个卷积层和三个全连接层（图5c）。用采集到的数据集训练该CNN模型，经过2000轮训练后，模型在训练集上的准确率超过96%。 * 结果：在测试集上，该CNN模型对十六种状态的识别准确率达到了100%（混淆矩阵如图5e所示）。这证明了SQO能够精确感知自身状态，并通过算法进行可靠分类。
第五步：主动自主物体识别与抓取决策系统 这是本研究的核心功能演示，模仿海葵神经肌肉系统，将传感和驱动状态融合，实现“主动自主感知”。 * 系统构建：构建了一个智能闭环人工神经肌肉系统（图6a）。系统硬件包括SQO抓取器、基于STM32微控制器的多功能电路板（实现传感/驱动状态切换、数据采集和无线传输，图6b）、蓝牙模块以及升压模块。软件端运行训练好的CNN模型进行实时决策。 * 工作流程（算法1）： 1. 主动感知循环：系统周期为0.25秒，其中0.23秒为驱动阶段（电路切换至驱动模式，驱动特定触手弯曲去接近物体），0.02秒为传感阶段（电路切换至ADC模式，采集四个触手的电阻值）（图6c）。 2. 数据采集与传输：每个完整的感知过程持续5秒，包含20个上述循环，采集80个电阻值。微控制器通过蓝牙将数据实时发送给上位机。 3. 数据处理与识别：计算机将电阻值转换为电阻变化量，输入到预训练的CNN模型中进行物体分类预测。研究使用了十种不同形状的物体进行测试（支持信息图S17）。 4. 决策与执行：CNN模型输出物体类别（或归为“抓取”与“不抓取”两类），决策信号通过蓝牙传回微控制器。若判断为可抓取物体，则控制器驱动所有触手执行抓取动作。 * 传感过程分析：电阻变化曲线清晰地分为“触摸前”和“触摸后”两个阶段。触摸前，电阻因温度上升（LIG具有负温度系数）而下降；触摸发生时，冲击力导致电阻曲线出现尖峰；触摸后，触手弯曲受阻，电阻值趋于稳定。不同物体的形状差异会导致不同的接触时间和触摸响应波形，这是物体识别的基础（图6d）。
四、 主要研究结果及其逻辑关联
成功制备并表征了具备优异传感与驱动性能的集成触手。传感方面，实现了高达4%应变范围、GF为17.7、且经1000次循环不衰减的稳定应变感知能力。驱动方面，实现了以低至24V电压驱动高达496°弯曲的高效、可控电热驱动。这些基础性能数据证实了HMHI策略的可行性，为后续构建智能系统提供了可靠的功能单元。
通过HMHI策略，首次在同一软材料结构中实现了传感与驱动功能的同质集成。这解决了传统软系统中传感与驱动部件分立导致的接口不匹配、集成复杂等问题，为实现类似生物神经肌肉的高度集成系统扫清了关键材料与结构障碍。
开发了基于CNN的算法，使SQO能够100%准确识别十六种预定状态。该结果证明，集成了传感功能的SQO能够有效编码外部机械刺激信息，并通过人工智能算法进行精准解译和分类。这为SQO的“感知”能力提供了量化证明，是迈向智能决策的第一步。
构建了完整的闭环人工神经肌肉系统，实现了主动自主物体识别与抓取。这是本研究最核心的成果。实验数据显示，该SQO系统对十类物体的平均识别准确率达到 80.7%（标准差1.41），最高达82%。相比之下，人类手动触摸识别相同物体的平均准确率为 74.7%（标准差12.7）。SQO不仅超越了人手的平均识别精度，而且表现出更高的稳定性和一致性（图6e-f）。在将物体归类为“尖锐”与“非尖锐”的二元决策任务中，准确率高达94%。这一系列数据强有力地证明了： a) 主动自主感知（驱动触手主动触摸）策略的有效性；b) 集成传感、驱动、通信与AI算法的闭环系统能够实现类似生物的实时决策与执行；c) 该人造系统在特定感知任务上已具备超越生物器官（人手）的潜力。
五、 研究结论与价值
本研究成功展示了一个受海葵启发的、配备传感器驱动集成触手的智能软准生物体。通过提出并实施“异质机制同质集成”策略，解决了软系统中传感器与执行器集成的根本性挑战。所开发的SQO不仅具备优异的独立传感和驱动性能，更重要的是，通过融合机器学习与定制电路，实现了实时状态识别和主动自主物体识别与抓取，形成了一个功能完整的闭环人工神经肌肉系统。
科学价值： 1. 提出了创新的集成范式：HMHI策略为柔性电子、软体机器人领域实现高密度、多功能集成提供了一条新路径，推动了该领域从“部件组合”向“一体化生物启发系统”的范式转变。 2. 验证了主动自主感知的优越性：研究通过对比实验数据，实证了在软机器人中采用主动感知策略（而非被动等待刺激）可以显著提升感知精度和稳定性，这为未来智能感知系统的设计提供了重要指导。 3. 推动了人工神经肌肉系统的发展：本研究是构建具有自主决策能力的仿生系统的重要一步，将软材料、柔性电子与人工智能紧密结合，为创造更智能、更自主的软体机器人奠定了基础。
应用价值： 1. 智能软体机器人：SQO技术在需要精细感知、自适应抓取和自主决策的机器人领域有直接应用前景，如手术辅助机器人、危险环境作业机器人、物流分拣等。 2. 体内治疗与介入：微型化的SQO结构有望用于靶向药物递送、微创手术和体内监测，其软质特性和自主感知能力可减少对组织的损伤。 3. 复杂环境探测与交互：在探测未知或复杂环境（如废墟搜救、深海探测）时，SQO的主动感知和适应性抓取能力具有独特优势。
六、 研究亮点
七、 其他有价值内容
研究中对驱动器的有限元模拟分析不仅用于优化设计，还深入揭示了驱动性能与电压、温度、材料各向异性以及几何形状之间的定量关系（公式1，图4g-h，支持信息图S10-S12），为同类电热驱动器的设计与性能预测提供了理论参考。此外，论文还简要探讨了SQO的局限性（如驱动力尚需增强、触手数量与感知丰富度不及真实海葵），并指出了通过结合高驱动应力材料、微加工工艺和多模态传感器融合等未来改进方向，体现了研究的客观性和前瞻性。