这篇研究的核心是解决机器人 “柔性触觉感知” 的行业痛点 —— 传统传感器要么因内部电极和电线牺牲柔性，要么因成像模糊分不清触摸点、测不准力度。作者团队通过 “材料创新（多孔泡沫 + 离子液体）+ 算法优化（传统重建 + 深度学习修图）+ 校准方法（分区拟合）”，打造了一套 “无内部电极、大面积、高精度” 的触觉传感系统，最终实现 20cm×20cm 范围内 6 点同时触摸检测，定位误差仅指甲盖大小，力检测误差比一张 A4 纸还轻，为机器人 “电子皮肤” 的实用化提供了完整方案。

目录

一、先搞懂 “为什么做”：传统传感器的 3 大痛点

二、核心设计：传感器的 “身体构造” 与 “工作大脑”

1. 整体系统流程（图 1）：从 “触摸” 到 “结果” 的 4 步闭环

2. 传感原理：靠 “液体移动” 感知的 “聪明设计”

3. 制作流程：3 步做出 “低成本电子皮肤”

4. 数据采集板：传感器的 “大脑 + 神经”

三、实验验证：用数据证明 “传感器到底有多好用”

1. 设备校准实验：确保 “测量工具” 精准

2. 单点触摸实验（图 9-11）：能不能 “精准定位”？

3. 多点触摸实验（图 12-13）：能不能 “分清多触点”？

4. 力校准实验（图 14-17）：能不能 “精准测力”？

5. 实时演示（图 18）：实际用起来怎么样？

四、核心优势与未来方向：这篇研究的价值在哪？

1. 3 大核心优势：解决行业痛点

2. 未来升级方向：还有哪些可优化？

一句话总结

---

一、先搞懂 “为什么做”：传统传感器的 3 大痛点

要理解这篇研究的价值，首先得明白行业里的 “老大难” 问题，这也是研究的核心动机：

1. “硬邦邦不灵活”：内部电极毁柔性传统触觉传感器多是 “阵列式”—— 内部埋满小传感单元和电线，像给机器人贴了 “创可贴”，既没法弯曲贴合复杂表面（比如机器人手臂、弧形抓手），电线还会产生电磁干扰，影响信号精度。比如有的阵列传感器用 20×20 的导电布贴片，虽然分辨率高，但制作复杂、成本高，还容易因电线断裂失效。

2. “看不清分不清”：EIT 技术的分辨率瓶颈近年兴起的电阻抗断层扫描（EIT）传感器虽不用内部电极，但存在 “成像模糊” 问题 —— 传统算法（如 Tikhonov 正则化）重建的图像会丢失细节，别说区分 3 个以上触摸点，连两点触摸都可能混在一起。比如之前有研究用离子液体做 EIT 传感器，只能简单感知 “有没有触摸”，没法说清 “摸在哪、摸了几下”。

3. “测力不准”：位置不同灵敏度不一样即使部分 EIT 传感器能定位，也没法精准测力 —— 传感器边缘靠近电极，灵敏度高；中心远离电极，灵敏度低，同样的力在不同位置会测出不同结果，像 “用不同刻度的尺子量东西”，根本没法用在抓握等需要精准控力的场景。

作者的解决方案很直接：用 “多孔泡沫 + 离子液体” 做无内部电极的柔性传感材料，靠 “传统算法 + PSPNet 深度学习” 提升分辨率，再用 “分区拟合” 校准力度，一次性解决 “柔性、分辨率、测力” 三大问题。

---

二、核心设计：传感器的 “身体构造” 与 “工作大脑”

这套系统能实现高精度感知，关键在 “传感材料” 和 “数据处理硬件” 的协同设计。下面结合图 1-4，拆解每个部件的细节和作用：

1. 整体系统流程（图 1）：从 “触摸” 到 “结果” 的 4 步闭环

图 1 是整个系统的 “说明书”，每个环节都为 “精准、实时” 服务，具体拆解：

• 第一步：阻抗数据采集传感器边界的 16 个银电极负责 “听信号”—— 当有触摸时，内部离子液体移动导致阻抗变化，电极通过 “电流注入 - 电压测量” 捕捉这种变化，最终得到 120 组独立阻抗数据（16 个电极两两组合，无重复）。这里用的是 “两点法”：同一对电极既注入电流（40kHz 交流信号），又测量电压，简化了电路还提升了速度。

• 第二步：传统图像重建用 “牛顿一步误差重建算法（NOSER）” 把阻抗数据转换成 “导电率分布图像”—— 这一步类似 “画素描”，能大致标出触摸区域，但图像模糊、有干扰（比如边缘虚化、中心细节丢失），因为 EIT 的逆问题本身是 “病态非线性问题”，传统算法只能做线性近似。

• 第三步：深度学习修图用 “金字塔场景解析网络（PSPNet）” 优化模糊图像 ——PSPNet 基于 MobileNet 提取图像特征，通过 “多尺度池化” 补充上下文信息（比如区分相邻触摸点的边界），最终去掉干扰、理清轮廓，让触摸点从 “一团糊” 变成 “清晰的点或区域”。作者之前的研究已验证，这套算法能减少重建的尺寸误差和位置误差。

• 第四步：力感知建立 “导电率峰值 - 触摸力” 的对应关系 —— 触摸力越大，挤走的离子液体越多，导电率峰值变化越明显。但因 “位置灵敏度差异”，需要分区校准，最终实现全区域的精准测力。

2. 传感原理：靠 “液体移动” 感知的 “聪明设计”

图 2 揭示了传感器的 “核心机密”—— 不用内部电极，怎么做到精准感知？关键在 “多孔材料 + 离子液体” 的组合：

• 核心材料：
  • 基体：多孔聚氨酯泡沫（尺寸 20mm×20mm×5mm），类似海绵，弹性好、孔隙率高，能均匀吸附离子液体；
  • 导电介质：离子液体（选含 Ca、Mg、Cl 的自来水，导电率 125-300μS/cm），成本低、无毒，且导电率随液体体积变化线性变化。
• 感知逻辑：按压时→泡沫孔隙被压缩→内部离子液体被挤出触摸区域→触摸点的导电率（或阻抗）随挤压力线性下降（按得越重，下降越多）；松开后→泡沫回弹→离子液体回流→导电率恢复。这种 “线性响应” 是精准测力的基础，比传统导电橡胶（滞后大、非线性）、导电纳米复合材料（导电不均）更可靠。

3. 制作流程：3 步做出 “低成本电子皮肤”

传感器制作门槛低、可量产，图 3 展示了详细步骤，每个环节都考虑 “柔性” 和 “低成本”：

1. 制备基底：用自制金属模具浇筑 Ecoflex（一种软硅胶）基板，硬度低、可弯曲；在基板上放置裁剪好的多孔聚氨酯泡沫（提前清洗烘干，确保孔隙均匀）。
2. 填充导电液体：将离子液体（自来水）缓慢倒入泡沫，确保液体完全渗透孔隙（不溢出）；此时泡沫像 “吸满导电水的海绵”，整体导电均匀。
3. 封装与装电极：在基板边界均匀粘贴 16 个银电极（宽 10mm、长 40mm，间隔相等），再用另一块 Ecoflex 做盖子，最后用硅胶密封边缘 —— 防止液体泄漏，同时保证传感器整体柔性（可弯曲角度≥90°）。

整个过程不用复杂工艺（如光刻、镀膜），一块 20cm×20cm 的传感器成本不到 50 元，还能批量复制，解决了传统大面积传感器 “贵、难造” 的问题。

4. 数据采集板：传感器的 “大脑 + 神经”

图 4 是系统的 “硬件核心”，负责 “控电极、读数据、传结果”，设计细节全为 “精准 + 实时”：

• 核心芯片：
  • 阻抗转换器：AD5940（高精度、超低功耗），能同时测电流（精度 0.1μA）和电压（精度 0.1mV），阻抗测量相对误差≤2%（测 1000Ω 标准电阻，误差仅 0.89%）；
  • 控制器：STM32F103ZET6（Cortex M3 内核，72MHz 主频），负责控制多路选择器切换电极、处理 AD5940 的数据，还支持蓝牙和 UART 串口传输（蓝牙用于无线互动，UART 连电脑做数据存储）。
• 电极控制：用 4 个 ADG706 多路选择器（切换时间 40ns）实现 16 个电极的灵活组合 ——2 个负责电流注入，2 个负责电压测量，能快速遍历所有电极对，确保 120 组数据在 0.6 秒内采集完成。
• 性能指标：数据刷新率 200Hz，总帧率 1.3 帧 / 秒（0.6 秒采集 + 0.4 秒处理），信噪比 65dB（信号清晰，噪音少，比如测 500 次同一阻抗，波动仅 0.1%）。

---

三、实验验证：用数据证明 “传感器到底有多好用”

作者做了 4 类核心实验，从 “设备校准” 到 “实际应用”，全面验证传感器的性能，每个实验都有明确的 “场景导向”：

1. 设备校准实验：确保 “测量工具” 精准

在测触摸前，先验证数据采集板和成像算法的准确性 —— 相当于 “给尺子标刻度”：

• 实验装置（图 5）：用直径 200mm 的亚克力缸模拟传感器（内部装自来水，导电率与离子液体接近），缸内放直径 40mm 的 ABS 塑料块（不导电，模拟触摸点）；16 个银电极均匀贴在缸壁（宽 10mm、长 40mm）。
• 测试内容：
  • 阻抗测量精度：测 8 组标准阻抗（1000Ω-4020Ω，含电容），相对误差≤2%（比如 1000Ω+0.01F 的标准阻抗，测量误差 1.68%）；
  • 成像频率选择：测试 10-50kHz 的成像效果，用 “相关系数 C” 评价（C 越接近 1，成像越准），发现 40kHz 时 C=0.7521（最高），因此确定 40kHz 为激励频率；
  • 信噪比（SNR）：测 500 次同一状态的阻抗，SNR=65dB，证明信号稳定、噪音少。

2. 单点触摸实验（图 9-11）：能不能 “精准定位”？

场景：机器人被单个物体触碰（如手指轻碰、小零件按压），验证定位精度 —— 这是 “人机互动安全” 的基础（比如机器人要知道 “碰到的是人手还是工具”）。

• 实验设计（图 9-10）：
  • 测试区域：传感器中心 20cm×20cm 范围（避开边缘 20mm，避免边界效应），画 5×5 个测试点（间隔 40mm，共 25 个点）；
  • 压头：直径 15mm 的圆柱压头（模拟手指或小零件），施加恒定力 1.2N（接近人手轻触的力度）；
  • 定位方法：先靠 NOSER 得到模糊图像，再用 PSPNet 修图，最后计算修图后图像的重心（公式：\((x_c,y_c)=(\sum[P]_i x_i/\sum[P]_i, \sum[P]_i y_i/\sum[P]_i)\)，\([P]_i\)为像素值），重心坐标即为 “估计触摸位置”。
• 结果（图 11）：
  • 定位误差：7.5±4.5mm（25 个点，每个点测 30 次，共 750 个样本），比如实际位置 (0,0)，估计位置平均 (0.3,0.2) cm，误差仅指甲盖大小；
  • 对比优势：比同类带内部电极的传感器更准（某阵列 EIT 传感器定位误差 8.2±4.3mm），且无需内部电极，柔性更好。

---

3. 多点触摸实验（图 12-13）：能不能 “分清多触点”？

场景：机器人被多个物体同时触碰（如人类用多手指按、抓握不规则物品），验证空间分辨率 —— 这是 “复杂操作” 的关键（比如抓握多个零件时，要知道每个零件的位置）。

• 实验设计（图 12）：分 “两点、三点、四点” 测试，覆盖 “高灵敏度区（靠近电极）” 和 “低灵敏度区（靠近中心）”：
  • 两点触摸：Case1（靠近电极）间隔 2cm 递增，Case2（靠近中心）间隔 2.8cm 递增，看最小可区分距离；
  • 三点触摸：固定两个上点（间距 10cm，距中心 8cm），下点距中心距离 h（1-7cm）递增，看是否能识别下点；
  • 四点触摸：固定两个上点，下点水平间距 d（2-16cm）、垂直间距 h（1-6cm）递增，看是否能识别所有下点。

• 结果（图 13）：
  • 两点区分：Case1 最小可区分 6cm（约手指宽度），Case2 最小可区分 8.5cm（传统算法在 Case2 中 8.5cm 仍无法区分）；
  • 多点区分：最多能同时识别 6 个触摸点（20cm×20cm 范围内，间隔 6cm），实时成像帧率 1.3 帧 / 秒（足够人机互动，比如用 6 个手指按传感器，屏幕能实时显示每个手指的位置）；
  • 关键结论：PSPNet 算法是 “分清多点” 的核心 —— 传统算法重建的图像会把相邻触摸点 “连成片”，而 PSPNet 能清晰分开边界，比如三点触摸时，下点距中心 1cm 仍能识别（传统算法会和上点混在一起）。

4. 力校准实验（图 14-17）：能不能 “精准测力”？

场景：机器人抓握物品（如捏鸡蛋要轻、提重物要用力），验证力检测精度 —— 这是 “操作安全性” 的核心（比如捏鸡蛋不能超 0.5N，提重物要 10N 以上）。

• 核心难题：传感器不同位置灵敏度差异大（边缘灵敏度是中心的 1.5 倍），直接用 “统一公式” 测力会误差超 30%。
• 解决方法（图 14）：利用传感器的对称性（正方形，4 边对称），将 20cm×20cm 区域分成 6 个对称分区（1-6 号），假设每个分区内灵敏度一致，分别校准。
• 实验设计：
  • 力范围：0-2N（覆盖人机互动常见力度，如轻触 0.2N、抓握 1.5N），间隔 0.2N，每个分区每个力测 15 次；
  • 力 - 导电率关系：提取每个触摸点的 “导电率峰值”（重建图像中触摸区域的最大导电率值），发现峰值与力符合指数关系：\(\sigma = a e^{-bF} + c\)（a、b、c 为系数）。
• 结果（图 16-17）：
  • 拟合精度：每个分区的拟合优度 R²≥0.99（比如分区 3，R²=0.995，几乎完美匹配）；
  • 测力误差：随机选 150 个测试点（覆盖 6 个分区），力检测误差 0.19N（仅为最大力 2N 的 10%），线性相关系数 0.96（实际力 1N，估计力 0.81-1.19N）；
  • 实用价值：误差远低于人机互动的要求（一般允许误差≤0.5N），比如抓握鸡蛋时，能精准控制在 0.3-0.5N，避免捏碎。

5. 实时演示（图 18）：实际用起来怎么样？

作者用手指按压传感器做实时测试，电脑屏幕会同步显示 3 类信息：

• 3D 重建图像：触摸点位置越高，图像 “凸起” 越高（直观反映触摸力度）；
• 文字标注：触摸区域（如 Block1）、中心位置（如 Cent:(5,3) cm）、力度（如 Force:0.8N）；
• 动态响应：按压力度增加，图像凸起高度同步增加；松开后，图像恢复平坦。

演示视频（Video II）显示，从 “手指接触” 到 “屏幕显示结果” 的延迟≤1 秒，完全满足实时人机互动需求，比如用手指按传感器边缘控制机器人手臂移动，按中心控制抓手闭合，响应流畅无卡顿。

---

四、核心优势与未来方向：这篇研究的价值在哪？

1. 3 大核心优势：解决行业痛点

• 柔性 + 大面积，无束缚：20cm×20cm 尺寸，无内部电极和电线，可弯曲、可贴合复杂表面（如机器人弧形手臂），避免传统阵列传感器的 “硬邦邦、有电磁干扰” 问题；
• 分辨率高，多触点可分：单点定位误差 7.5±4.5mm，最多识别 6 个同时触摸点，PSPNet 算法解决了 EIT 传感器 “成像模糊” 的老问题，比同类无内部电极传感器的分辨率提升 30%；
• 测力精准，全区域可用：分区拟合校准解决 “位置灵敏度差异”，力误差 0.19N，满足抓握、轻触等不同场景的测力需求，而传统 EIT 传感器测力误差多在 0.5N 以上。

2. 未来升级方向：还有哪些可优化？

• 提升帧率：目前 1.3 帧 / 秒，未来可优化硬件（如用更快的 ADC 芯片）和算法（如轻量化 PSPNet），目标达到 10 帧 / 秒（接近人眼反应速度），满足快速互动场景（如机器人快速抓握）；
• 优化材料：现有传感器的离子液体可能因蒸发失效，未来可换 “抗蒸发离子液体”（如深共熔溶剂），或在封装层加防水膜，延长使用寿命；
• 扩大面积：目前 20cm×20cm，未来可通过 “拼接多个传感器” 实现更大面积（如 1m×1m），覆盖机器人全身，实现 “全身触觉感知”；
• 降低成本：现有银电极可换 “导电油墨印刷电极”，成本降低 50%，同时保持导电性和柔性，适合量产。

一句话总结

作者用 “多孔泡沫 + 离子液体” 做了块无内部电极的柔性传感材料，搭配 “AD5940 数据采集板” 和 “NOSER+PSPNet 算法”，再靠 “分区拟合” 校准力度，最终做出了一块 20cm×20cm 的 “电子皮肤”—— 它能同时识别 6 个触摸点，定位误差指甲盖大小，测力误差 0.19N，既解决了传统传感器 “不柔性、分不清、测力不准” 的问题，又兼顾低成本和可量产，为机器人安全人机互动、精准操作提供了实用方案。