5.1 触觉传感器技术5.1.1 触觉传感原理5.1.1.1 电阻式与电容式传感器触觉传感器的物理原理基于材料在外部刺激下的电学特性变化。电阻式触觉传感器利用导电聚合物或复合材料的压阻效应piezoresistive effect外部压力导致材料形变进而改变电阻值。导电聚合物基质中填充的导电颗粒如碳纳米管、银纳米线形成渗流网络percolation network其电阻变化遵循渗流理论$$R R_0 \left( \frac{p_c - p}{p_c} \right)^\alpha$$其中 $p$ 为导电填料体积分数$p_c$ 为渗流阈值$\alpha$ 为临界指数。微观尺度上压力诱导的隧道效应tunneling effect主导电阻变化隧穿电流 $I$ 与颗粒间距 $d$ 的关系为$$I \propto \exp\left( -\frac{\sqrt{2m\phi}}{\hbar} d \right)$$其中 $m$ 为电子有效质量$\phi$ 为势垒高度。电容式触觉传感器基于平行板电容器原理介电层厚度变化或介电常数变化导致电容改变$$C \frac{\epsilon_0 \epsilon_r A}{d}$$其中 $\epsilon_0$ 为真空介电常数$\epsilon_r$ 为相对介电常数$A$ 为极板面积$d$ 为间距。微结构介电层如微金字塔、微柱阵列增强灵敏度压力作用下微结构形变导致有效介电常数变化与几何变化的耦合效应。5.1.1.2 光学式触觉传感器光学式触觉传感器通过监测光场变化实现触觉测量具备高空间分辨率与抗电磁干扰特性。基于全内反射Total Internal Reflection, TIR的传感器利用弹性体-空气界面的光泄漏效应接触压力改变界面反射率相机捕获的亮度分布 $I(x,y)$ 与接触压力 $P(x,y)$ 存在近似线性关系$$I(x,y) I_0 \cdot \exp(-\alpha \cdot P(x,y) \cdot A_{\text{contact}})$$其中 $\alpha$ 为材料相关常数$A_{\text{contact}}$ 为接触面积。基于光波导的传感器将弹性体作为波导介质形变导致光路长度变化产生干涉图案相位变化 $\Delta\phi$ 与应变成正比$$\Delta\phi \frac{2\pi}{\lambda} \cdot n \cdot \Delta L$$其中 $\lambda$ 为光波长$n$ 为折射率$\Delta L$ 为光程变化。GelSight 等视觉触觉传感器使用弹性凝胶表面覆盖镜面层相机通过透明弹性体观察接触表面的变形场通过光度立体photometric stereo或结构光三维重建技术恢复接触几何$$\mathbf{n} \frac{\nabla I}{\|\nabla I\|}, \quad z \int \frac{\partial z}{\partial x} dx \frac{\partial z}{\partial y} dy$$其中 $\mathbf{n}$ 为表面法向量通过积分恢复深度图 $z(x,y)$。5.1.2 电子皮肤技术5.1.2.1 柔性电子与可拉伸材料电子皮肤E-skin追求与生物皮肤类似的柔韧性、延展性与自愈合能力。柔性电子依赖薄膜晶体管TFT与可弯曲基底材料聚酰亚胺、PDMS、Ecoflex。可拉伸性通过结构工程实现包括蛇形导线serpentine interconnects与分形设计fractal design。蛇形导线的拉伸性由几何参数决定弹性应变 $\epsilon_{\max}$ 与蜿蜒幅度 $A$、波长 $\lambda$、线宽 $w$ 相关$$\epsilon_{\max} \approx \frac{\pi^2 A w}{4\lambda^2}$$自愈合材料基于动态共价键如 Diels-Alder 反应、亚胺键或超分子相互作用氢键、金属配位键。愈合效率 $\eta$ 定义为断裂后力学性能恢复比例$$\eta \frac{\sigma_{\text{healed}}}{\sigma_{\text{original}}} \times 100\%$$基于氢键的聚氨酯体系可实现室温下 95% 以上的力学性能恢复。本征可拉伸半导体材料如共轭聚合物 DPP-based 聚合物通过分子设计引入柔性侧链与弱结晶性实现载流子迁移率与延展性的平衡。5.1.2.2 多模态传感集成生物皮肤同时感知压力、温度、湿度与疼痛电子皮肤的多模态集成面临信号串扰与布线复杂性挑战。空间复用spatial multiplexing将不同模态传感器按特定图案排布时间复用time division multiplexing或频率复用frequency division multiplexing共享读取电路。温度补偿通过集成温度传感器实现压力信号的温度漂移校正$$P_{\text{compensated}} P_{\text{raw}} - \alpha \cdot (T - T_0)$$其中 $\alpha$ 为温度系数通过标定实验确定。神经形态传感neuromorphic sensing模仿皮肤感受器的脉冲编码机制采用事件驱动event-driven架构仅在刺激变化时产生脉冲输出显著降低功耗与数据带宽需求。自适应采样率根据信号变化率动态调整$$f_{\text{sampling}} \propto \left| \frac{dP}{dt} \right|$$5.2 触觉信号处理5.2.1 接触检测与定位5.2.1.1 压力分布重建触觉传感器阵列的压力分布重建涉及欠定逆问题的求解。对于 $N \times M$ 传感器阵列测量向量 $\mathbf{y} \in \mathbb{R}^{NM}$ 与真实压力分布 $\mathbf{x} \in \mathbb{R}^{H \times W}$高分辨率网格关系由点扩散函数Point Spread Function, PSF描述$$\mathbf{y} \mathbf{H}\mathbf{x} \mathbf{n}$$其中 $\mathbf{H}$ 为系统矩阵表征传感器响应特性$\mathbf{n}$ 为噪声。Tikhonov 正则化求解$$\hat{\mathbf{x}} \arg \min_{\mathbf{x}} \|\mathbf{y} - \mathbf{H}\mathbf{x}\|^2 \lambda \|\mathbf{L}\mathbf{x}\|^2$$其中 $\mathbf{L}$ 为拉普拉斯算子矩阵$\lambda$ 为正则化参数。稀疏性先验sparsity prior假设接触区域稀疏基于压缩感知Compressed Sensing的 $L_1$ 正则化重建$$\hat{\mathbf{x}} \arg \min_{\mathbf{x}} \|\mathbf{y} - \mathbf{H}\mathbf{x}\|^2 \lambda \|\mathbf{x}\|_1$$迭代算法如 ISTAIterative Shrinkage-Thresholding Algorithm求解$$\mathbf{x}_{k1} S_{\lambda/L} \left( \mathbf{x}_k - \frac{1}{L} \mathbf{H}^T (\mathbf{H}\mathbf{x}_k - \mathbf{y}) \right)$$其中 $S_\kappa(\cdot)$ 为软阈值算子。5.2.1.2 滑动检测算法滑动slip检测对稳定抓取至关重要涉及切向力变化与振动模式分析。基于摩擦力的滑动检测监测切向力 $F_t$ 与法向力 $F_n$ 的比值接近摩擦系数 $\mu$$$\frac{F_t}{F_n} \ge \mu - \delta$$其中 $\delta$ 为安全裕度。振动分析法通过加速度计或压电传感器捕获滑动诱导的高频振动通常 1-1000 Hz短时傅里叶变换STFT提取时频特征$$X(\tau, \omega) \int_{-\infty}^{\infty} x(t) w(t-\tau) e^{-j\omega t} dt$$滑动事件通常表现为特定频带的能量突增。机器学习方法训练分类器区分静态接触与滑动特征包括零穿越率Zero-Crossing Rate, ZCR、均方根RMS与频谱质心Spectral Centroid$$\text{ZCR} \frac{1}{2} \sum_{n1}^{N-1} |\text{sgn}(x[n]) - \text{sgn}(x[n-1])|$$$$\text{Spectral Centroid} \frac{\sum_{k1}^K f_k |X[k]|^2}{\sum_{k1}^K |X[k]|^2}$$隐马尔可夫模型HMM或循环神经网络RNN捕获滑动动态的时间演化。5.2.2 纹理识别与材料分类5.2.2.1 振动信号分析触觉纹理识别依赖滑动接触时产生的振动信号纹理诱导的振动texture-induced vibrations。生物手指的帕西尼小体Pacinian corpuscles对 200-300 Hz 振动敏感人工系统通过压电传感器或加速度计模拟。振动信号的功率谱密度Power Spectral Density, PSD反映表面粗糙度的空间频率分布。稳态滑动时振动频谱 $S(f)$ 与表面纹理的空间波长 $\lambda$ 及滑动速度 $v$ 相关$$f \frac{v}{\lambda}$$通过恒定速度扫描频谱峰值对应纹理的空间周期。Gabor 滤波器组模拟触觉神经元的频率-方向选择性纹理特征向量由多尺度多方向滤波响应构成$$\text{Gabor}(x,y; \lambda, \theta, \sigma) \exp\left( -\frac{x^2 \gamma^2 y^2}{2\sigma^2} \right) \cos\left( \frac{2\pi x}{\lambda} \right)$$其中 $x x \cos \theta y \sin \theta$$y -x \sin \theta y \cos \theta$。5.2.2.2 深度学习触觉表征深度学习方法自动从原始触觉信号学习判别性特征。卷积神经网络CNN处理时空触觉图像压力分布序列一维 CNN 或循环神经网络处理时间序列信号。时频表示spectrogram作为 CNN 输入联合利用时域与频域信息。自监督对比学习应用于触觉领域正对样本为同一纹理的不同滑动速度或压力条件负对为不同纹理$$L -\log \frac{\exp(\text{sim}(z_i, z_j)/\tau)}{\sum_k \exp(\text{sim}(z_i, z_k)/\tau)}$$多模态融合结合视觉与触觉视觉编码器处理物体表面图像触觉编码器处理振动信号联合嵌入空间通过对比对齐$$L_{\text{alignment}} \frac{1}{N} \sum_{i1}^N \left( \|f_{\text{vision}}(v_i) - f_{\text{touch}}(t_i)\|^2 - \alpha \sum_{j \neq i} \|f_{\text{vision}}(v_i) - f_{\text{touch}}(t_j)\|^2 \right)$$5.3 力/力矩传感5.3.1 六维力/力矩传感器5.3.1.1 传感器标定与解耦六维力/力矩传感器同时测量三维力 $\mathbf{F} [F_x, F_y, F_z]^T$ 与三维力矩 $\mathbf{M} [M_x, M_y, M_z]^T$基于应变计strain gauges测量弹性体变形。弹性体设计如 E 型膜、十字梁、Stewart 平台结构将力/力矩映射为应变信号。应变计组桥电路输出电压信号 $\mathbf{V} \in \mathbb{R}^6$与力/力矩向量 $\mathbf{W} [\mathbf{F}^T, \mathbf{M}^T]^T \in \mathbb{R}^6$ 的线性关系为$$\mathbf{V} \mathbf{C}\mathbf{W} \mathbf{n}$$其中 $\mathbf{C} \in \mathbb{R}^{6 \times 6}$ 为标定矩阵decoupling matrix$\mathbf{n}$ 为噪声。标定矩阵通过最小二乘法求解施加已知标准力与力矩 $\mathbf{W}_{\text{cal}}$测量输出 $\mathbf{V}_{\text{cal}}$$$\mathbf{C} \mathbf{V}_{\text{cal}} \mathbf{W}_{\text{cal}}^ \mathbf{V}_{\text{cal}} \mathbf{W}_{\text{cal}}^T (\mathbf{W}_{\text{cal}} \mathbf{W}_{\text{cal}}^T)^{-1}$$非线性误差通过多项式拟合或神经网络补偿。温度漂移通过温度传感器与补偿矩阵修正$$\mathbf{W}_{\text{true}} \mathbf{C}^{-1} (\mathbf{V} - \mathbf{D} \cdot \Delta T)$$其中 $\mathbf{D}$ 为温度漂移系数矩阵。5.3.1.2 噪声滤波与信号处理力传感器信号受高频机械振动、电磁干扰与量化噪声影响。低通滤波器如一阶 RC 或数字 IIR去除高频噪声截止频率 $f_c$ 根据任务动力学选择$$H(s) \frac{1}{1 s/(2\pi f_c)}$$卡尔曼滤波器融合力传感器与加速度计数据估计接触力与补偿惯性力。状态空间模型包含力及其导数$$\mathbf{x}_t \begin{bmatrix} F_t \\ \dot{F}_t \end{bmatrix}, \quad \mathbf{x}_{t1} \begin{bmatrix} 1 \Delta t \\ 0 1 \end{bmatrix} \mathbf{x}_t \mathbf{w}_t$$观测方程包含传感器测量与模型预测。接触状态估计接触/非接触通过阈值检测或隐马尔可夫模型实现避免漂移累积。5.3.2 基于学习的力估计5.3.2.1 视觉-触觉融合力估计视觉信息形变、纹理变化与触觉信息压力分布融合实现力的间接估计。视觉编码器ResNet/ViT提取图像特征触觉编码器处理压力分布融合网络concatenation 或 attention输出力/力矩预测。端到端训练最小化预测与力传感器真值的均方误差$$L E_{(I, T, W)} \|W - f_\theta(I, T)\|^2$$其中 $I$ 为图像$T$ 为触觉阵列$W$ 为力真值。注意力机制加权视觉与触觉模态的贡献$$\alpha_{\text{vision}} \sigma(w^T h_{\text{vision}} b), \quad h_{\text{fused}} \alpha_{\text{vision}} h_{\text{vision}} (1 - \alpha_{\text{vision}}) h_{\text{touch}}$$5.3.2.2 电机电流-based力估计无需力传感器的力估计通过电机电流与动力学模型间接计算。关节力矩 $\tau$ 与电机电流 $I$ 的关系为$$\tau K_t \cdot I \cdot \eta \cdot r - J\ddot{\theta} - b\dot{\theta} - \tau_{\text{friction}}$$其中 $K_t$ 为转矩常数$\eta$ 为传动效率$r$ 为减速比$J$ 为转动量$b$ 为阻尼系数。摩擦力 $\tau_{\text{friction}}$ 通过库仑粘滞模型建模$$\tau_{\text{friction}} F_c \cdot \text{sgn}(\dot{\theta}) F_v \cdot \dot{\theta}$$基于动力学的观测器如滑模观测器、扰动观测器估计外部接触力视为系统扰动$$\hat{\tau}_{\text{ext}} \tau_{\text{motor}} - M(\theta)\ddot{\theta} - C(\theta, \dot{\theta})\dot{\theta} - G(\theta)$$神经网络端到端映射电机状态位置、速度、电流至接触力避免复杂的摩擦建模与参数辨识$$\hat{F}_{\text{ext}} f_{\text{NN}}(\theta, \dot{\theta}, \ddot{\theta}, I)$$LSTM 或 Transformer 处理时间序列捕获动态效应。混合方法结合物理模型与神经网络残差补偿$$\hat{F}_{\text{ext}} \hat{F}_{\text{physics}} f_{\text{residual}}(\text{features})$$提高外推能力与样本效率。