本文提出一种身体尺度机器人皮肤，由分布式多模态传感模块（MSMs） 和多层织物组成，结合超分辨率（ASR） 和断层扫描（ERT） 两种互补的 transduction 机制，以较少的传感元件实现大面积覆盖。其中，ASR 通过麦克风感知高频振动，ERT 通过电极感知低频压力变化，可编码触摸的时空特性并经训练的卷积神经网络（CNN）解码，对 9 种触摸模态（如 Hit、Pat、Press 等）的分类准确率达95.3%。该皮肤适配商用机械臂（如 UR5e），能通过触觉交流实现人机物理交互，为机器人全身触觉感知提供了高效解决方案。
目录
4.1 两种感知机制互补，几乎能 “听懂” 和 “摸透” 所有常见触摸
4.3 电极：能 “摸” 到 0.24N 的轻微压力（相当于拿起一张纸的力）
一、为什么要做 “机器人皮肤”？
人类皮肤能感知各种触摸 —— 比如手能抓握杯子（精细触觉），后背能感觉到轻拍（粗略触觉）。但现在的机器人大多靠 “看”（视觉），没有全身触觉，没法像人类一样自然互动（比如你拍它一下，它不知道是友好还是提醒）。
现有机器人的触觉传感器要么覆盖面积小，要么零件太多（容易坏、耗电）。这篇文章就想做一种 “全身皮肤”，让机器人能感知各种触摸，还能覆盖大面积、用更少零件。
二、机器人皮肤的 “核心设计”：硬件 + 算法
2.1 核心算法：两种互补机制，少元件覆盖大面积
两种算法分别处理不同频率的触摸信号，通过 “信号重建” 而非 “直接测量”，用少量传感元件覆盖大面积，避免了传统传感器 “元件多、易损坏” 的问题。
1. 硬件：两层关键结构，就像 “智能布料 + 感知小点”
多层织物（像皮肤的 “表皮和真皮”）
不是普通布料，是三层特殊材料叠在一起（图 2）：
最外层：表面有小纹理的橡胶布（loop-neoprene），被触摸时会产生微小振动（比如被摩擦、轻拍时）；
中间层：像海绵网的透气材料（airmesh），能把振动传到远处，还能跟着压力变形；
最下层：带导电小贴片的布，被按压时，贴片会和下面的 “导电底座” 接触更紧密，改变电阻。
多模态传感模块（MSMs，像皮肤里的 “触觉小神经”）
分布在织物下面，每个模块都有两个 “本领”（图 2）：
一个 “小麦克风”：藏在硅胶胶囊里，专门听最外层传来的微小振动（比如快速摩擦的声音）；
一个 “导电螺钉”：能测最下层布料和底座之间的电阻变化（比如被按压时的变化）。
这些模块不用密密麻麻排列，稀疏分布就行，大大减少了零件数量。
2.2 算法：两种 “解读信号的方法”，分工合作
1. 声学超分辨率（ASR）：“听” 出快速动态的触摸（如摩擦、轻拍）
原理：当你快速摩擦或轻拍皮肤时，最上层产生的振动会通过中间层传到周围的麦克风。由于振动离源头越远越弱（类似声音传播），算法通过对比不同麦克风收到的振动强度（图 4 (b) 左侧，颜色越亮表示信号越强），能反推出触摸的位置 —— 哪怕那里没有传感器（这就是 “超分辨率” 的神奇之处）。
对应硬件：依赖封装麦克风的 “听力”，只要振动能被多个麦克风捕捉，就能算出准确位置（图 4 (c) 中 100Hz 的振动只有麦克风能 “听” 到）。
2. 电阻抗断层扫描（ERT）：“摸” 出缓慢静态的触摸（如按压、紧握）
原理：当你按住皮肤不动时，中间层变形会让最下层的导电贴片与底座贴得更紧，导致局部电阻变小。电极通过测量不同位置的电阻变化（图 4 (b) 右侧，颜色越亮表示电阻变化越明显），算法能还原出压力的分布和大小 —— 就像 “给压力画张图”。
对应硬件：依赖电极的 “触感”，通过电阻变化判断哪里被按压、按得多重（图 4 (c) 中 8Hz 的振动只有电极能 “摸” 到）。
三、机器人皮肤是怎么造出来的？（制造流程）
准备底座：给机器人皮肤做 “骨架”
首先需要一个固定传感器的基底，就像衣服需要衣架支撑一样。
- 步骤 1（图 3 (a)）：用激光切割两块亚克力板（一种透明硬塑料），切出大小不同的孔，再用亚克力胶水把两块板粘起来，形成带 “台阶孔” 的底座 —— 大孔用来装传感器模块，小孔方便布线。最终底座上有 16 个孔，呈 4×4 方阵，孔间距 75 毫米。
- 作用：这个底座代表机器人的表面（比如机械臂外壳），后续所有零件都要装在上面。
制作导电层：给底座 “穿导电衣”
机器人皮肤需要能传递电信号，因此要在底座表面做一层导电材料。
- 步骤 2（图 3 (b)）：往底座上反复喷涂石墨溶液（类似黑色导电涂料），形成均匀的导电层。喷完后，任意两个相邻孔之间的电阻大约是几十千欧 —— 这个电阻值能让电流稳定通过，又不会太小导致短路。
- 作用：这层导电层是电阻抗断层扫描（ERT）算法的 “信号载体”，后续按压皮肤时，电阻变化就靠它传递。
安装多模态传感模块（MSMs）：装 “触觉神经”
这一步要把能 “听” 振动和 “测” 电阻的核心部件装到底座上。
- 步骤 3（图 3 (c)(d)(e)）：
- 先在底座的孔里装上带垫圈的通风螺钉，在垫圈和底座之间涂银浆（一种导电胶水），确保螺钉和石墨导电层紧密连接（电信号不流失）。
- 用硅胶做一个圆顶状的胶囊（像小气球），粘在螺钉的垫圈上 —— 这个胶囊是麦克风的 “共鸣腔”，能增强对振动的敏感度。
- 把麦克风塞进聚氨酯软管（有弹性的管子），再把管子套在螺钉的另一端，利用管子的弹性固定麦克风 —— 这样麦克风就能 “听” 到胶囊传来的振动，又不会被直接碰撞损坏。
- 作用：每个 MSM 就像一个 “迷你触觉传感器”，螺钉负责传导电信号（给 ERT 用），麦克风负责收振动信号（给 ASR 用）。
制作多层织物：做 “触觉表皮”
这层织物是直接接触外界触摸的部分，需要能传递振动和变形。
- 步骤 4（图 3 (f)(g)(h)）：
- 先做最下层的导电层：把方形的导电布贴片粘在普通布料上，中间夹一层聚氨酯薄膜，加热粘牢 —— 这些贴片受压时会和底座的石墨层接触，改变电阻。
- 把做好的导电层边缘用胶水固定在底座上，再往上粘中间层的 airmesh（透气网布），最后粘最上层的 loop-neoprene（带纹理的橡胶布）—— 每层都用喷雾胶水粘牢，确保振动和变形能顺利传递。
- 作用：三层织物配合，既能产生和传递振动（给 ASR 算法），又能通过变形改变电阻（给 ERT 算法）。
整个过程就像 “盖房子”：底座是 “地基”，石墨层是 “电线网”，MSMs 是 “传感器插座”，多层织物是 “墙面”。最终组装出的机器人皮肤，能通过织物接收触摸，靠 MSMs 采集信号，再用两种算法解读 —— 既用最少的零件覆盖了大面积，又能区分多种触摸（如轻拍、按压）。
四、机器人皮肤好用吗？（性能测试）
4.1 两种感知机制互补，几乎能 “听懂” 和 “摸透” 所有常见触摸
图 4 (b) 左边是麦克风对振动的敏感度（颜色越亮越敏感），右边是电极对压力的敏感度：
麦克风对 20Hz 以上的高频振动（比如快速摩擦、轻敲）特别敏感，哪怕触摸位置离麦克风 6-15 厘米，也能清晰捕捉信号；
电极对 0-200Hz 的低频压力（比如持续按压）更敏感，只要按压深度超过 3 毫米，就能准确感知。
图 4 (c) 举了四个例子：50Hz 的振动两种机制都能测到，100Hz 的快速振动只有麦克风能测到，8Hz 的缓慢压力只有电极能测到，而 1Hz 的极弱信号两者都测不到（但这种情况在实际触摸中很少见）。
这意味着日常生活中人类的绝大多数触摸（如轻拍、按压、摩擦），它都能感知到。
4.2 麦克风：能 “听” 到 15 厘米内的细微振动
为了测试麦克风的 “听力”，研究者用设备在皮肤不同位置（0-15 厘米）产生振动，记录麦克风收到的信号强度（图 5）。
结果显示：在 15 厘米范围内，麦克风都能清晰感知振动，尤其是 6 厘米内，27Hz 以上的振动信号都很明显（信号强度超过噪音 10 倍以上）。
这意味着即使触摸位置离传感器有一定距离，皮肤也能通过振动传播 “听” 到触摸的位置和力度，满足大面积覆盖的需求。
4.3 电极：能 “摸” 到 0.24N 的轻微压力（相当于拿起一张纸的力）
电极主要感知按压等静态触摸，研究者用设备模拟不同力度的按压，测试电极的灵敏度（图 6）。
图 6 (a) 显示：当按压力度达到 0.24N 时，电极就能检测到电阻变化（超过噪音的 3 倍），这个力度比我们平时轻轻按手机屏幕的力还小。
同时，电极还能区分按压力度的大小：按压越用力，电阻变化越明显，直到 9 毫米深度时（airmesh 层被完全压实），变化趋势才会改变。
虽然按压和松开时，电阻变化有轻微 “滞后”（类似弹簧回弹稍慢），但误差很小（piezoresistive 滞后 10.3%，机械滞后 33.7%），不影响实际使用。
4.4 总结：性能足够满足人机交互需求
综合来看，这款机器人皮肤的表现很实用：
敏感度高：能感知 0.24N 的轻触和 15 厘米内的振动；
覆盖范围广：稀疏分布的传感器就能覆盖大面积，不用密密麻麻安装；
分工明确：两种机制互补，几乎没有感知盲区，能应对人类互动中的各种触摸（如轻拍、按压、摩擦等）。
这些性能为它在机械臂等机器人上的实际应用打下了基础，比如能准确识别人类的触摸意图，实现自然交互。
五、装在机械臂上怎么用？（实际应用）
5.1 先让皮肤 “贴” 在机械臂上：适配 3D 曲面
机械臂的手臂是圆柱形的，不能直接用平面的皮肤，因此需要特殊的安装方式（图 7）。
图 7 (a) 展示了核心方案：用 3D 打印的 “半圆柱形底座” 拼出完整圆柱，套在 UR5e 机械臂的两个大手臂上。每个手臂的底座上装了 30 个多模态传感模块（MSMs），这些模块分成 6 组，每组 5 个，沿着圆柱面均匀分布（相邻两组间隔 60°），确保手臂各个方向都能感知触摸。
图 7 (b) 解决了 “导电连续性” 问题：两个半圆柱底座的接缝处涂了银浆（导电胶水），让底座表面的石墨导电层连在一起。测试显示，接缝处的电阻和底座内部的电阻几乎一样（P 值 0.218），确保电阻抗断层扫描（ERT）算法能正常工作 —— 就像给机械臂 “无缝穿衣”，不会因为拼接影响触觉感知。
5.2 排除机械臂自身的 “噪音”：只认人类触摸
机械臂运动时，电机和齿轮会产生振动，可能被皮肤的麦克风误当成 “触摸信号”。为了避免这种干扰，研究者加了一个 “参考麦克风”（图 8）。
图 8 展示了工作原理：参考麦克风专门录机械臂自身的噪音，而皮肤的 MSM 麦克风同时录 “噪音 + 触摸信号”。通过计算两者的信号差异（当差异超过 “3 倍噪音标准差” 这个阈值时），就能判断是否有真实触摸。
比如机械臂移动时，所有麦克风都会收到噪音，但只有被触摸的位置，MSM 麦克风的信号会突然变强，超过阈值，从而被识别为 “有效触摸”。而电极测量的电阻变化几乎不受机械噪音影响，进一步确保了对静态触摸（如按压）的准确感知。
5.3 实际互动：机械臂能 “看懂” 触摸意图
装上皮肤的机械臂，能通过解读触摸类型做出不同反应（图 13）。
皮肤会把触摸的 “时空特征”（比如轻拍的频率、按压的力度、摩擦的方向）转化成 4 种特征图，再通过训练好的卷积神经网络（CNN）识别出是哪一种触摸（如 Hit 重击、Pat 轻拍、Rub 摩擦等 9 种类型），准确率达 95.3%。
例如：当人类 “轻拍” 机械臂时，它可能放慢运动速度；当 “摩擦” 它时，可能调整手臂位置；当 “按压” 它时，可能暂停动作 —— 就像通过触摸和机械臂 “对话”。
这款机器人皮肤在机械臂上的应用，既解决了 3D 曲面贴合问题，又排除了机械噪音干扰，最终实现了 “触摸 - 识别 - 反应” 的完整互动。它让机械臂从 “只能按程序动” 变成 “能感知人类意图”，比如在工厂协作中，工人可以通过轻拍让机械臂暂停，通过摩擦让它调整角度，大大提升了人机协作的安全性和自然性。
六、机器人怎么 “看懂” 人类的触摸？（触觉交流）
6.1 先定义 “触摸密码本”：9 种常见触摸类型
研究者从人类日常触摸中选出 9 种典型模态作为 “密码本”（表 II），每种触摸有独特的 “时空特征”（比如力度、速度、持续时间）：
比如 “Pat（轻拍）” 是快速、轻柔的接触；“Press（按压）” 是缓慢、持续的用力；“Rub（摩擦）” 是来回快速移动的接触。
6.2 给触摸 “编密码”：把触摸转化为 “特征图”
机器人皮肤会将每种触摸的 “时空特征”（何时、何地、如何触摸）转化为 4 种 “特征图”（类似给触摸拍 “四维快照”），图 9 以 “Rub（摩擦）” 为例展示了这些图：
频谱图：记录触摸的 “频率变化”（比如摩擦的快慢）。通过对麦克风捕捉的振动信号做短时傅里叶变换，得到 32×16 的图，能看出摩擦是高频还是低频。
强度历史图：记录不同位置麦克风的 “信号强弱”（比如摩擦位置的麦克风信号最强，远处较弱）。30×16 的图能反映触摸的空间分布。
导电分布图：记录电极感知的 “压力分布”（比如摩擦时接触区域的电阻变化）。通过 ERT 算法重建出 30×15 的图，能看出哪里被按压、力度如何。
电极电压变化图：记录压力随时间的 “变化趋势”（比如摩擦时压力忽大忽小）。30×20 的图能反映触摸的持续时间和动态变化。
这 4 种图合在一起，就像触摸的 “指纹”，包含了识别所需的全部信息。
6.3 用 “神经网络” 解码：识别触摸类型
有了 “特征图” 后，训练一个卷积神经网络（CNN）来 “看图识触摸”，图 10 展示了网络的工作流程：
预处理：先把 4 种图的数值标准化（统一到 - 1 到 1 之间），方便网络处理。
特征提取：每种图先经过卷积层（用 3×3 的 “过滤器” 提取关键特征，比如摩擦的高频模式、按压的静态压力区）、激活层和池化层（简化特征）。
分类输出：将提取的特征合并，通过全连接层和 SoftMax 层计算每种触摸的概率，最终输出最可能的类型（比如 “Rub” 的概率最高）。
为了让机器人在自身处理器上快速运行，网络设计得很 “轻便”：每个卷积层只用 8 个过滤器，分类速度达 8 次 / 秒，足够实时响应。
6.4 解码效果：95.3% 的准确率，很少认错
对 9 种触摸的总体识别准确率达 95.3%，比如 “Press（按压）” 几乎不会认错，“Tickle（轻挠）” 也能和其他触摸区分开。
对比实验显示：只用麦克风的高频特征（准确率 91.95%）或只用电极的低频特征（准确率 33.75%）效果都较差，说明两种模态结合很重要。
6.5 从 “感知” 到 “理解” 的逻辑
机器人 “看懂” 触摸的过程是：皮肤感知触摸→将触摸的时空特征编码为 4 种 “特征图”→CNN 通过识别这些图，匹配到 “密码本” 中的触摸类型→最终理解人类触摸的意图（比如轻拍可能是 “打招呼”，按压可能是 “让停下”）。这一过程让机器人能通过触觉与人类自然交流，就像理解 “触摸的语言” 一样。
七、总结
这款机器人皮肤通过硬件设计与算法创新的结合，实现了让机器人全身具备高效触觉感知的目标。硬件上，它由多层织物和分布式多模态传感模块（MSMs）组成：多层织物（loop-neoprene、airmesh、导电层）能将触摸转化为可传递的高频振动和低频电阻变化，MSMs 则通过封装麦克风和电极分别采集这两种信号。算法上，声学超分辨率（ASR）通过振动信号重建高频动态触摸的位置，电阻抗断层扫描（ERT）通过电阻变化重建低频静态触摸的压力分布，两种机制互补，覆盖了人类互动中绝大多数触摸类型。
性能测试表明，该皮肤能感知 0.24N 的轻微压力和 15 厘米内的振动，对 9 种常见触摸（如轻拍、按压、摩擦）的分类准确率达 95.3%，且通过稀疏分布的传感元件（385 个麦克风 / 平方米、385 个电极 / 平方米）实现了大面积覆盖，避免了传统传感器元件过多导致的脆弱或高能耗问题。
在实际应用中，它成功适配 UR5e 机械臂的圆柱形表面，通过参考麦克风排除机械噪音干扰，能实时解读触摸意图并做出反应，实现了自然的触觉交流。
尽管存在多层织物拉伸性有限、石墨导电层均匀性待提升等局限，但该设计为机器人全身触觉感知提供了高效解决方案，推动了物理人机交互向更自然、更广泛的方向发展，未来在服务机器人、协作机器人等领域有重要应用潜力。