科研快报 |液态金属“造”眼睛！《Science Robotics》仿生视觉突破

棱镜研途

365人浏览 · 2026-03-03 10:01:20

棱镜研途 · 2026-03-03 10:01:20 发布

Prism Path

科研快报
CS跨学科顶尖期刊论文资讯

-NO.2026003-

用于机器视觉的基于液态金属变形材料的仿生自适应瞳孔反射机制

Bioinspired adaptive pupil reflex based on liquid-metal shape-shifters for machine vision

期刊：Science Robotics（Q1/一区）

发布日期：2026年02月11日

DOI: 10.1126/scirobotics.adx0715（论文数据图表详见）

目录（本文3500+字，阅读5-8min）

在从漆黑深夜（0.01 lux）到正午强光（100,000 lux）的动态环境中，如何让机器视觉系统像生物眼睛一样，快速、自动地适应光线变化，是实现全天候、高鲁棒性视觉感知的关键。

传统的机器视觉系统面对剧烈光照变化时，往往依赖复杂的算法进行后期图像处理，这不仅增加了系统功耗和计算负担，在强光过曝等场景下效果也常不尽如人意。

近日，发表于顶级期刊 《Science Robotics》 的一项研究，为我们带来了一种全新的解决方案：一种基于液态金属形状变形器的仿生自适应瞳孔反射（APR）视觉系统。

该研究受生物瞳孔光反射（PLR）启发，巧妙地利用液态金属（LM）在电场下的可逆变形特性，构建了一个集光感知、神经编码与物理反馈于一体的闭环视觉系统。它不仅拥有超宽的视场角（FoV），还能在强光下通过物理收缩“瞳孔”，从根本上减少进光量，从而显著提升图像识别精度。更令人惊叹的是，该系统还能通过编程，模拟猫、羊、乌贼等多种动物的不规则瞳孔形态。

一、论文核心贡献

现有仿生视觉研究多聚焦于感知端（如人工视网膜）或处理端（如人工突触），但很少能将两者结合，并模拟出生物视觉中至关重要的闭环反馈机制——瞳孔reflex。

为了克服这一局限，该论文提出了一种创新的自适应瞳孔反射（APR）视觉系统，其核心由三大模块构成，协同工作以模拟生物视觉的完整通路：

< 人工视网膜：半球形柔性光突触阵列 >

仿生设计：模仿人眼视网膜的曲面结构，将基于In₂O₃/Y6异质结的光电探测器阵列，通过应力释放技术构筑成直径约1.1cm的半球形。这种设计极大地简化了光学结构，将视场角（FoV）从平面结构的约68°扩展至108°，实现了更广阔的视觉感知。
宽带感知与记忆：该探测器对365至780nm（紫外到红外）的宽光谱有响应。更重要的是，其In₂O₃层的氧空位电离机制导致了持续光电导（PPC）效应，成功模拟了生物神经突触的短时/长时可塑性（STM/LTM），即视觉记忆功能。例如，多次UV照射后，系统对“C”图案的记忆保持时间可超过20秒。

< 人工神经元：基于液态金属的逻辑模块 >

仿生设计：模拟将视觉信息转化为脉冲电信号的神经元。研究团队利用液态金属（EGaIn）在NaOH溶液中的电化学氧化还原特性，构建了一个“逻辑模块”。
脉冲信号生成：通过控制Gate电压和阴极电压，液态金属液滴会在“扩张-接触-收缩”的循环中，产生类似生物神经元的脉冲尖峰电流。而且，这个脉冲的频率（0.13至1Hz）会随入射光强度动态变化，实现了对光强信息的编码。

< 人工效应器：液态金属自适应瞳孔 >

仿生设计：模拟受虹膜肌肉控制的瞳孔。这是系统的闭环执行端。经人工神经元编码的脉冲电流，会驱动另一个液态金属 actuator 在PDMS微通道中发生形变。
自适应光强调节：在强光（35.2 mW/cm²）刺激下，液态金属迅速扩张，物理上缩小了人工瞳孔的孔径，将进光量调节至舒适水平（4.6 mW/cm²），整个过程在约0.5秒内完成。这直接验证了系统通过物理形态改变来应对环境光变化的APR能力。

二、模型效果分析

与单纯依赖算法进行图像增强的传统机器视觉方案不同，该APR系统从物理层面解决了过曝问题，其带来的增益是直接且显著的。（图表数据因版权敏感，详见于DOI地址）

物理层面：论文通过光线追迹模拟和实际成像测试，对比了“大瞳孔”（d=1.1cm）和“小瞳孔”（d=0.6cm）状态下的成像差异。结果显示，“小瞳孔”状态虽然进光量减少，但景深（DoF）显著增加，能够在更宽的距离范围（30-60mm）内对物体清晰成像。这意味着APR系统在强光下自适应地缩小瞳孔，不仅能保护“视网膜”不过曝，还能同时优化成像清晰度，实现“硬件级”的图像预处理。
算法层面：为了量化APR带来的优势，研究团队构建了一个脉冲神经网络（SNN），并对添加了150%高斯噪声（模拟过曝）的MNIST手写数字数据集进行识别。经过APR系统物理预处理的图像，背景噪声被有效滤除，对比度大幅增强。识别率对比方面，在100个训练周期（epoch）后，未经过APR预处理的图像识别率仅为68.38%；而经过APR预处理后，识别率显著提升至83.56%。混淆矩阵也清晰表明，APR帮助模型更准确地识别了每一个数字。
落地场景模拟：研究以车辆在隧道和逆光环境下的检测为例，模拟了APR系统的应用价值。模拟结果显示，在隧道外过曝场景下，经过APR处理的图像帧，其目标检测置信度明显高于未处理的原始图像。这表明，APR系统有望减轻自动驾驶算法在不利光照条件下的计算负担，提升系统实时性和安全性。

下表总结了APR视觉系统与传统机器视觉方案的核心差异：

对比维度	APR仿生视觉系统 (本论文)	传统机器视觉方案
核心架构	硬件闭环反馈：光感知→神经编码→物理瞳孔调节	软件后处理：图像采集→算法增强/修复
光适应机制	物理光控：通过液态金属变形动态调节进光量，从源头抑制过曝	计算光控：通过HDR、伽马校正等算法扩展动态范围
系统复杂度	较高，涉及微流控、柔性电子等多物理场集成	较低，主要依赖CMOS传感器与ISP芯片
识别率 (过曝场景)	83.56% (MNIST加噪，经APR预处理)	68.38% (MNIST加噪，无预处理)
核心优势	效率与鲁棒性兼备：物理预处理可大幅降低后续算法负担，提升实时响应能力	通用性强：算法升级灵活，易于适配不同硬件平台

三、应用前景与趋势

这项研究不仅展示了液态金属在仿生机器人领域的巨大潜力，也为未来机器视觉系统的发展指明了新方向。

高度仿生的机器视觉与机器人

该系统最直接的应用场景是仿生机器人。通过编程控制八个独立液态金属分支的开闭，系统可以精准模拟猫（垂直瞳孔）、羊（水平瞳孔）、甚至乌贼（W形瞳孔）等多种动物的瞳孔形状。不同瞳孔形状对应着不同的光学特性，如垂直瞳孔有利于捕食者精确测距，水平瞳孔则有助于猎物获得全景视野。未来，机器人可根据任务需求（如搜索、跟踪、监视）动态切换“瞳孔模式”，实现更高效的环境交互。