基于仿生异质力学结构的多特征离子电子触觉传感器研究学术报告
本报告旨在详细介绍一项关于离子电子触觉传感器的最新研究。该研究题为“iontronic tactile sensor with biomimetic heterogeneous mechanics for simultaneous multiple feature recognition”（用于同步多特征识别的、具有仿生异质力学特性的离子电子触觉传感器），由Wenyu Zhao、Zhuofan Lin、Junhao Liang、Bo Zhang、Guodong Wang、Waner Lin、Yingtian Xu及通讯作者Ziya Wang*共同完成。研究团队主要来自深圳大学物理与光电工程学院的光电器件与系统教育部重点实验室、香港中文大学（深圳）理工学院以及上海交通大学电子信息与电气工程学院。该研究成果发表于Materials Today期刊，于2025年10月12日在线发表（卷90，页码334-342）。
一、 学术背景 该研究属于柔性电子、触觉传感与机器人感知的交叉领域，具体聚焦于离子电子触觉传感器。离子电子传感器利用电解液-电极界面形成的电双层效应将机械刺激转化为电信号，相较于传统电容式传感器，具有灵敏度高、动态范围宽、信噪比高、材料兼容性好等优势，在仿生电子皮肤和机器人触觉感知方面展现出巨大潜力。然而，现有离子电子传感器在实现复杂多特征感知时面临核心挑战：1) 高空间分辨率与低信号串扰难以兼得：共享离子层会导致离子迁移引起的电串扰，而软材料形变的机械传播则导致机械串扰，模糊感知边界；2) 高灵敏度与宽检测范围之间存在权衡：引入微结构提升初始灵敏度往往导致高压下接触面积快速饱和，检测范围受限。现实世界中，物体通常同时具备多种触觉特征，如弹性模量、曲率以及内部异质结构（如嵌入物的深度）。因此，开发能够同时、准确解耦这些特征的触觉传感器，对于提升机器人在非结构化环境中的精细操作与识别能力至关重要。
本研究受人类皮肤分层结构的启发。人类皮肤由相对坚硬的表皮和柔软、富含机械感受器的真皮组成，指尖的指纹图案能放大触觉信号。基于此，研究团队旨在设计一种新型传感器，模仿皮肤的力学层次结构，以解决上述灵敏度-范围权衡和串扰问题，最终目标是使机器人能够像人手一样，通过一次接触同时识别物体的多种物理特征。
二、 详细工作流程 本研究包含传感器设计、仿真优化、制备与性能测试、多特征感知实验以及数据处理与模型构建等多个系统化的环节。
1. 传感器设计与机理研究： 研究核心是提出了一种多特征离子电子传感器阵列。其创新性结构包括： * 仿生异质凸点层：模仿指纹，由高模量（3 MPa）弹性体制成，置于传感器上层电极之上。该层的作用是集中应力并改变上层电极的弯曲变形行为，从而高效地将压力传导至下方的敏感层。 * 嵌入式离子凝胶层：将离子凝胶隔离封装在热塑性聚氨酯基体中，以物理隔离的方式大幅减少像素间的离子迁移和电串扰。 * 微结构凝胶层：使用砂纸纹理化处理凝胶表面，形成微结构，以在低压下减小初始接触面积，从而进一步提升灵敏度。
为了验证凸点层的力学作用并优化设计，研究首先进行了有限元分析。FEA模拟比较了平坦结构传感器与MFIS在压力下的应力分布、电极-凝胶接触面积变化以及相邻像素间的位移传播。仿真结果表明，凸点层能将应力集中到离子凝胶区域而非TPU基体，并使得接触面积随压力增加而逐渐向两侧扩展，而非快速饱和，这从理论上解释了其同时实现高灵敏度和宽检测范围的潜力。同时，仿真显示凸点层与TPU基体的组合能显著限制应变向相邻像素的传播，将机械串扰降至极低水平。FEA还模拟了传感器与不同模量弹性体接触的过程，揭示了凸点层的变形动力学同时受施加压力和样品弹性模量的共同调控，这是实现模量感知的物理基础。
2. 传感器制备与参数优化： 研究团队详细描述了MFIS的制备流程。首先，配制包含PVA、甘油和H3PO4的离子凝胶溶液，并将其注入经激光切割、等离子亲水处理的TPU隔离框架中，室温凝胶形成传感层。上下电极均采用TPU基底，并通过丝网印刷纳米银浆制成。凸点层通过模板法用Smooth-Sil胶制备。最后，通过热压方式将凸点层（通过PI双面胶带）、上电极层、TPU框架/凝胶层、下电极层集成在一起。 为了获得最佳性能，研究系统性地优化了多个参数： * TPU框架厚度：影响初始电容和低压区性能，最终选定为210微米。 * 离子凝胶浓度与微结构：测试了不同H3PO4浓度和不同目数砂纸制备的微结构。最终选择20 wt%的离子浓度和#2000目砂纸，以平衡高单位面积电容和制备可行性。 * 凸点几何形状与尺寸：通过FEA和实验测试了圆柱、截锥、圆锥和半球形凸点。结果表明，圆柱和半球形凸点在整个工作范围内灵敏度最佳。考虑到圆柱边缘可能的几何不稳定性，最终选择半球形凸点。进一步优化半球半径，在2.5毫米时实现了低压灵敏度与整体性能的平衡。
3. 传感性能表征： 对优化后的单像素MFIS进行了全面的性能测试。 * 灵敏度与工作范围：测试显示，传感器在0-5 kPa超低压区表现出超高的平均灵敏度（8394.37 kPa⁻¹）和优异线性度（R²=0.995）。其工作范围覆盖0至1000 kPa，并可根据线性度分为三段：0-100 kPa（平均灵敏度2448.68 kPa⁻¹）、100-245 kPa（730.74 kPa⁻¹）和245-1000 kPa（163.71 kPa⁻¹）。这种宽范围高灵敏度特性优于文献中报道的多数离子电子传感器。 * 稳定性与可靠性：通过热压工艺增强了层间粘附力，剥离强度测试显示最弱界面强度也达到600 N/m，优于已有报道。传感器在100-800 kPa的阶跃加载-卸载测试中表现出优异的稳定性和可忽略的迟滞。动态响应测试显示触发时间和恢复时间分别为28 ms和32 ms。经过5000次300 kPa压力循环后，信号漂移小于2%。得益于凝胶中的甘油成分，传感器在空气中暴露30天后仍能保持稳定的传感性能。 * 阵列一致性与串扰：制备了12x12 mm面积内包含144个像素的高密度阵列。在0-400 kPa压力范围内，各像素电容变化的最大差异小于7.9%，一致性良好。串扰测试对比表明，采用共享离子层的平坦结构阵列串扰大于37%，而MFIS阵列的串扰低于4%，并能清晰检测外力边缘。
4. 多特征感知与深度学习识别： 研究将MFIS阵列集成到灵巧手指尖，用于感知弹性体的弹性模量和曲率。 * 实验对象与数据采集：准备了36种不同的弹性体样品，涵盖低（Ecoflex系列，38-83 kPa）、中（Dragon Skin系列，504-593 kPa）、高（PDMS，950 kPa）三种模量范围，以及多种曲率（顶点圆半径不同）。机器人手指以恒定速度和压缩位移（15%）按压样品，MFIS阵列记录整个压缩过程中每个像素的电容变化，生成时空压力数据（热图序列）。 * 数据处理与模型构建：由于数据具有时空耦合特性，研究团队开发并比较了三种深度学习架构：3D-CNN、2D-CNN以及2D-CNN + LSTM混合模型。最终采用的2D-CNN+LSTM模型首先利用2D-CNN提取每一帧压力热图的空间特征，再通过LSTM层捕捉时间动态。模型在一个包含3600个样本（36类×100次重复）的数据集上进行训练和测试（训练:验证:测试 = 7:2:1），并采用了随机平移的数据增强策略以提高鲁棒性。
5. 三维轮廓重建与内部嵌入物感知： 为了展示更高级的触觉感知能力，研究进一步探索了MFIS对物体三维轮廓及内部异质结构的感知。 * 三维轮廓重建：直接按压不同半径（2, 3, 5 mm）的半球形PDMS样品，利用MFIS阵列信号的空间分布和强度变化，成功重建了样品的3D轮廓，反映了样品的尺寸、曲率和模量信息。 * 内部嵌入物感知：将上述PDMS半球作为“嵌入物”，以不同深度（2 mm, 5 mm）嵌入柔软的Ecoflex 0020长方体基体中。当按压复合体时，传感器能感知到嵌入物位置的反作用力更大，从而在信号热图中“勾勒”出嵌入物的形状。同时，嵌入物边缘之外的信号来自封装材料，其强度变化反映了嵌入深度。通过分析这些时空信号模式，MFIS能够非侵入式地感知嵌入物的曲率、模量和亚表面深度。
三、 主要研究结果 1. 仿生异质结构验证：FEA和实验结果表明，异质凸点层成功实现了应力重分布和集中，使传感器在0-1000 kPa范围内同时获得了超高灵敏度和宽工作范围，并有效抑制了机械串扰（相邻像素位移减少95.8%）。 2. 卓越的单点传感性能：优化后的单像素MFIS在低压区（0-5 kPa）灵敏度高达8394.37 kPa⁻¹，能感知约2.1 mg的纸张重量变化。在宽达1000 kPa的压力范围内保持可观的灵敏度，且具备优异的循环稳定性、动态响应和长期环境稳定性。 3. 低串扰高一致性阵列：制备的144像素MFIS阵列表现出良好的像素一致性和极低的电/机械串扰（%），为实现高空间分辨率的触觉成像奠定了基础。 4. 高精度多特征分类：基于2D-CNN+LSTM模型处理MFIS阵列采集的时空压力数据，对36种不同模量和曲率的弹性体样品进行分类识别，达到了95.5% 的平均准确率。混淆矩阵显示模型具有较强的表征能力。 5. 超越表面的触觉感知：实验证明，MFIS不仅能感知表面特征（曲率、模量），还能通过解码时空信号模式，实现对物体内部异质结构（如嵌入物）的形状、模量及其埋藏深度的感知，并完成3D轮廓重建。
这些结果层层递进：首先，仿生结构设计从原理上解决了性能权衡问题；其次，优化的传感器实现了优异的单点与阵列性能，为高质量数据采集提供了硬件保障；接着，结合深度学习算法，成功将硬件性能转化为对复杂触觉特征的高精度识别能力；最后，通过嵌入物感知实验，展示了该系统在解决更复杂、更接近实际需求的触觉感知任务上的潜力，从而全面支撑了研究的最终结论。
四、 研究结论与价值 本研究成功开发了一种受人类皮肤启发的、具有仿生异质力学结构的离子电子触觉传感器阵列。该传感器通过创新的凸点层设计，巧妙地解决了高灵敏度与宽检测范围之间的矛盾，并显著降低了串扰。结合深度学习算法，该系统使机器人触觉能够同时、高精度地识别物体的多种物理特征，包括弹性模量、曲率以及内部嵌入物的深度与形状，并能进行3D轮廓重建。
其科学价值在于提出并验证了一种通过力学结构设计来优化离子电子传感器界面接触行为、从而实现多模态信息解耦的新范式。这为电子皮肤的设计提供了新的思路，即不仅关注材料与电学特性，更应注重仿生力学结构的引入。
其应用价值显著，为机器人在复杂、非结构化环境（如医疗探查、工业检测、服务机器人）中实现类人的精细触觉感知提供了可行的技术方案。这种能够感知物体内部异质结构的能力，在无损检测、软组织诊断等领域具有潜在的重要应用前景。
五、 研究亮点 1. 仿生异质结构创新：首次提出并验证了模仿皮肤表皮-真皮分层功能的“异质凸点层”概念，将其作为力学转换器，从根本上改变了传感器的压力响应特性，是同时实现超高灵敏度、宽检测范围和低串扰的关键。 2. 多特征同步解耦感知：不仅实现了高精度的表面特征（模量、曲率）分类，更突破性地展示了利用单一触觉传感器阵列对物体亚表面深度这一内部特征进行感知和量化的能力，极大拓展了触觉传感的维度。 3. 高效的混合深度学习模型：针对触觉时空数据的特点，采用2D-CNN提取空间特征与LSTM捕捉时间动态的混合架构，以相对简单的模型复杂度实现了高达95.5%的分类精度，为处理类似时空传感信号提供了有效的算法参考。 4. 系统性的优化与验证：从FEA仿真、材料参数优化、几何结构设计，到阵列制备、性能全面表征，再到复杂的感知任务实验和算法开发，研究呈现了一个完整、严谨的从原理到应用的闭环验证流程。
六、 其他有价值内容 研究也坦诚指出了当前工作的局限性：一是凝胶材料的热稳定性和湿度稳定性仍有不足，环境变化可能导致信号漂移，未来需通过复合材料、封装策略或表面处理进行优化；二是当前的曲率和模量识别能力基于分类学习，本质上限定了识别分辨率于预定义的离散区间，且需要大量参考样本进行校准，在实际应用的扩展性上存在挑战。作者提出，未来采用基于回归的方法可能为连续曲率和模量识别提供更具扩展性和精确性的解决方案。这些讨论为后续研究指明了改进方向。