本周科技看点速递
（11.04-11.10）
1 抓取合成领域的深度学习方法
2 一种增强现实的柔性触觉皮肤
3 对机器人的意图归因将会影响人机协作感
4 AlphaFold 3开源
5 北理工CST：考虑真实细观结构特征的三维机织复合材料参数化建模方法
6 清华研究团队电热法回收电子废弃物金属
01
计算机科学
抓取合成领域的深度学习方法
抓取是机器人在现实世界中操纵物体的基本技能之一，涉及在一组接触点上施加力和扭矩来控制物体的运动，而近些年深度学习方法的突破性研究使机器人在抓取方面取得了快速进展。近期就职于澳大利亚克莱顿市莫纳什大学的Rhys Newbury发表的 ”Deep Learning Approaches to Grasp Synthesis: A Review” 综述论文总结了近十年六自由度抓取合成的各类方法，其中最为常用的方法：基于采样的方法、直接回归方法、强化学习方法和范例方法。此外，文中还总结了两种围绕抓取的“支持方法”，它们主要使用深度学习来支持抓取过程、形状近似和可见性。
随着计算机视觉中数据驱动方法的增加以及深度学习方法（特别是结合大规模数据时）使得机器人能够实现包括端到端的操作学习、双手协调抓取、手内灵巧操作、在杂乱环境中的拾放等操作任务。这篇工作将主要介绍了深度学习在六自由度抓取合成上的常见方法、深度学习在抓取过程中的支持方法以及数据集设计方法。常见的深度学习方法在六自由度抓取中主要有：基于采样的方法、直接回归方法、强化学习方法和范例方法。通过对比这些方法，提供了对当前深度学习在六自由度抓取合成领域研究进展的全面概述。四种深度学习方法各有自己的优势和局限性，变换相应的应用场景、所需的处理速度、以及可用的数据类型选择不同的抓取策略。
文中所提出的两种围绕抓取的“支持方法”，它们主要使用深度学习来支持抓取过程、形状近似和可见性。这种支持方法强调了深度学习在抓取过程中的辅助作用，不仅仅局限于抓取本身，还包括了对物体形状的理解和可供性的识别，这些都是提高抓取任务成功率的关键因素，通过这些支持方法，机器人能够更好地理解和适应复杂的操纵任务
文中强调了在机器人抓取研究中设计和使用数据集的重要性，包括选择适当的对象集、生成和使用程序生成的数据集、利用专家演示数据集，以及选择合适的数据表示和网络架构。这些因素对于训练有效的抓取模型和确保研究结果的可比性和可复现性都至关重要。文中对深度学习在六自由度（6-DoF）机器人抓取合成领域的研究现状进行了总结，并提出了未来包括在多样化的环境中研究六自由度抓取、发布算法的可执行代码、采用一致的性能指标等。本文还强调了多模态传感的重要性，建议未来的研究应不限于单一的视觉感知，探索触觉和听觉等其他传感模态，为未来机器人抓取和复杂操作领域做出进一步发展。
相关研究发表在IEEE Transactions on Robotics期刊上。论文链接: https://ieeexplore.ieee.org/abstract/document/10149823（@ CAAI认知系统与信息处理专委会）
图1 调研内容概括
（图源：IEEE TRO）
简评：
@清华大学机械系2023级硕士生 李明暄
该综述系统性地评估了利用深度学习方法进行六自由度机器人抓取的技术现状。从这篇综述中，研究者们综合了十个关键要点，并认为这些要点可以推动抓取合成领域的进一步进展。相关要点有望推动后续的前沿研究工作。
一种增强现实的柔性触觉皮肤
加利福尼亚Qibing Pei团队提出了一种可穿戴的触觉人工肌肉皮肤（HAMS），这种皮肤采用了毫米级多层电致动器（DEA），能够产生显著的垂直形变，对皮肤施加压力，以提供高效的触觉反馈（见图A）。这种电致动器基于多层介电体（TVMDE）中的电场梯度原理，实现了垂直形变，无需外部压力支持或任何非活动刚性部件。这种设计使得HAMS保持了完全的柔软性，能够紧密贴合皮肤，确保了最佳的佩戴感和舒适度。当HAMS与用户的身躯无缝结合，并连接到虚拟现实（VR）设备时，它能够提供一种沉浸式的增强现实（XR）体验，其感官体验与现实世界中的触觉反馈极为相似。
为了确保可靠的驱动性能，尤其是在各层承受不同应变的情况下，强大的层间粘附力是必不可少的。研究团队基于他们最近报道的可加工高性能电致变形材料（PHDE）及其多层加工技术，开发了一种制造TVMDE的方法。这种方法确保了足够的层间粘附性，防止了在驱动过程中的分层现象。首先，他们制备了40微米厚的固化PHDE薄膜，并在每层上涂覆了超薄单壁碳纳米管（SWNT）作为柔性电极。然后，将PHDE前驱体稀释于丙酮中，并以不同量喷涂到涂覆SWNT的PHDE薄膜上，形成不同厚度的PHDE前驱体层。接着，将这些改性的PHDE薄膜叠加，形成TVMDE，每层前驱体在添加新PHDE层后立即固化。
虽然较大的驱动器可能会降低HAMS的空间分辨率，并增加制造所需的材料量，但研究团队考虑到这些因素，并为了保持足够的触觉输出，选择了4毫米厚的TVMDE进行后续实验。此外，厚度梯度的设计在活跃和非活跃状态下都最小化了弹性体薄膜上的应力集中，单体设计也使得TVMDE的使用寿命延长，并能在高电压下保持超过200,000次循环的性能。
利用一种多用途的制造技术，TVMDE被设计成可以整合进HAMS设备中。这一过程涉及将TVMDE阵列放置在一层薄而有弹性的导电层和一层能够牢固粘附于皮肤的粘合剂之间。这层弹性材料是40微米的PHDE薄膜，而导电路径则是通过模板印刷技术制成的可拉伸银质导体。通过穿刺每个执行器上的电极引脚以露出层间的SWNTs，然后用导电环氧树脂填充这些穿刺孔，从而实现了电气连接。这样的设计不仅在活性DE层之间建立了并联连接，还提供了垂直互连通道（VIAs）至导电路径。HAMS可以轻松地通过按压的方式附着在皮肤上，并在冷却时无损地分离。粘合层同时充当绝缘层，防止电流从执行器流失到皮肤。除了导电材料的颜色变化，HAMS的外观与皮肤相似，能够自然地融入皮肤。此外，HAMS与皮肤形成了紧密的结合，在长时间连续佩戴和皮肤发生显著形变的情况下仍能保持其粘附性。
图2 TVMDE示意图
简评：
@清华大学机械系2024级硕士生 李林殊
本文介绍了一种全新的柔性皮肤触觉接口技术，该技术集成了毫米级厚度的TVMDE（热电压驱动器），能够实现显著的离面运动。具体来说，4毫米厚的TVMDE能够产生1.36毫米的位移和0.21牛顿的力，且在超过20万次的连续操作中保持其性能。这些柔软且耐用的驱动器配合皮肤粘合剂，使得HAMS（高适应性触觉模块）能够紧密且稳定地贴合在皮肤上，提供超过90%的触觉感知准确度。HAMS的设计允许其适应不同皮肤表面，并且可以覆盖全身，消除了传统可穿戴设备中的硬性组件，同时提供了如持续压力等额外的触觉体验，增强了用户在增强现实（AR）和虚拟现实（VR）环境中的沉浸感。HAMS的应用前景广阔，不仅可用于娱乐和虚拟训练，还能够帮助视觉障碍者，如通过显示盲文和辅助室内导航。
对机器人的意图归因将会影响人机协作感
近日，Uma Prashant Navare探讨了在与机器人共同执行任务时，人们对机器人的意图归因如何影响联合代理感（Sense of Joint Agency, SoJA）。联合代理感(SoJA)是人类在与他人共同行动以改变共同环境时所体验到的控制感。SoJA是基于动作控制和监测的感觉运动预测过程提出的。由于当我们与其他人一起执行动作时，SoJA是一种普遍存在的现象。因此，了解SoJA是否以及在什么条件下发生在与类人机器人的协作任务中是非常有趣和重要的。
在这项研究中，研究人员使用行为测量和脑电图(EEG)测量的神经反应，旨在评估SoJA是否在与人形机器人iCub的联合动作中发生，以及它的出现是否受到机器人感知意向性的影响。行为结果表明，当机器人搭档被呈现为一个有意的代理时，参与者体验到了SoJA，而当机器人搭档被呈现为一个机械工件时，参与者则没有。脑电图结果显示，当机器人作为一个有意识的主体出现时，影响SoJA出现的机制是对我们自己和他人行为的感官后果形成类似准确预测的能力，从而导致类似的感官处理调节活动。
展望未来，未来的研究可以探索不同类型的任务和社交背景如何影响SoJA的体验。例如，不同的任务结构或社交层次可能会改变个体对SoJA的感知。此外，研究应考察除情感表达外，其他方式的意图归因操纵是否也能有效地影响SoJA的形成。这可能包括通过言语指令等非交互性手段来调整人们对机器人意图的感知。这些发现不仅为理解人类如何与机器人合作提供了新的视角，也为设计更具包容性和协同性的人机交互系统指明了方向。
相关研究工作以“When performing actions with robots, attribution of intentionality affects the sense of joint agency”为题发表在Science Robotics期刊上。论文链接: https://www.science.org/doi/10.1126/scirobotics.adj3665
图3 实验流程
（图源：Science Robotics）
简评：
@清华大学机械系2023级硕士生 李明暄
研究表明，意图归因在人机交互中起着至关重要的作用。当人们认为机器人是有意图的代理时，他们的大脑以类似的方式处理自己和机器人的行动结果，这有助于形成共同代理感。这些发现对于设计更自然、更富有成效的人机协作环境具有深远的意义。
AlphaFold 3开源
AlphaFold 3是DeepMind公司开发的一款革命性人工智能程序，以其在蛋白质结构预测方面的突破性成就而闻名。它利用深度学习技术，能够快速准确地预测蛋白质的三维结构，极大地加速了科学研究和药物研发。2024年，DeepMind开源了AlphaFold 3的代码和模型权重，使得全球科研人员能够自由地使用这一工具，以推进疾病研究和新药开发。这一举措被广泛认为是科学界的一大进步，有助于解决众多未解之谜。
图4 AlphaFold 3的Github库
简评：
@清华大学机械系2024级硕士生 苟镇韬
AlphaFold 3是DeepMind开发的一项革命性技术，它以其高精度预测所有生命分子结构和相互作用的能力而受到科学界的广泛赞誉。这项技术不仅能够预测蛋白质结构，还能够模拟蛋白质、DNA、RNA与小分子之间的复杂相互作用，这对于现代药物发现和疾病治疗至关重要。AlphaFold 3的开源，被认为可能加速科学发现和药物开发，代表了分子建模的根本性转变。与传统方法相比，AlphaFold 3的AI方法在理解分子如何相互作用方面表现出色，甚至在没有结构输入信息的情况下，其预测的准确性也超过了基于物理的方法。尽管存在一些挑战，例如在无序区域产生不正确的结构和只能预测静态结构的限制，但AlphaFold 3的发布无疑是AI在科学领域应用的一个巨大飞跃，预示着在理解生命过程和治疗疾病方面可能取得前所未有的进展。
02
先进制造
北理工CST：考虑真实细观结构特征的三维机织复合材料参数化建模方法
近日，《Composites Science and Technology》期刊发表了一篇由北京理工大学先进结构技术研究院、轻质多功能复合材料与结构北京重点实验室和爆炸科学与技术国家重点实验室完成的考虑真实细观结构特征的三维机织复合材料参数化建模的研究成果。
这项研究的核心是提高3DWCs在细观尺度模拟的精确度，这与其几何模型的精确度紧密相关。研究者们提出了一种创新的参数化建模方法，用以创建包含实际细观结构特征的代表性体积单元（RVE）。研究首先模拟了表面经纱的挤压效应，以定义3DWCs的真实细观结构。接着，考虑了纱线截面的扭转和纬纱路径的弯曲，构建了随路径变化的纱束空间几何模型。最终，通过特定的平移对称性，得到了复合材料RVE的真实几何模型。在此模型基础上，采用渐进损伤方法分析了不同细观结构模型和不同纬纱尺寸对复合材料拉伸响应的影响。
研究团队首先通过观察定义了三维机织复合材料的真实细观结构，使用椭圆曲线和幂次椭圆曲线来描述经纱和纬纱的路径，以及使用椭圆和近似矩形截面来描述纱束的截面，从而能够构建出随路径旋转的纱束几何模型。通过平移对称性构建RVE，并利用TexGen软件自动生成RVE及其体素网格模型。
基于上述建模方法，建立了不同纬纱规格复合材料的改进RVE，并通过光学显微镜照片验证，而后采用损伤力学模型，分析了改进模型和理想模型在拉伸载荷下的应力应变曲线，并与实验结果进行了对比。结果表明，改进模型能够更准确地预测复合材料的力学性能，与实验结果的误差明显低于理想模型。此外，还分析了不同纬纱规格复合材料的拉伸响应。
图5 机织复合材料真实细观结构
简评：
@清华大学机械系2024级硕士生 李林殊
该研究开发了一种创新的参数化建模技术，旨在更精确地捕捉三维机织复合材料（3DWCs）的细观结构特征，进而更真实地模拟其力学性能。研究还探讨了纬纱尺寸对复合材料拉伸行为的影响，随着纬纱尺寸的增加，复合材料在经向拉伸时的刚度降低更为显著；而在纬向拉伸时，复合材料的应力-应变关系更趋于线性。这些发现为3DWCs的设计优化和性能预测提供了坚实的理论支撑。
清华研究团队电热法回收电子废弃物金属
清华大学邓兵研究员及其团队开发了一种名为电热氯化技术的新型金属分离回收方案，该技术通过结合直接加热闪速焦耳热技术和氯化冶金技术，能从电子废料中高效分离和纯化战略关键金属。这一技术具有广泛的适用性、短流程、低能耗，且无需使用水或溶剂。与传统湿法冶金工艺相比，电热氯化技术能显著降低成本（40%-60%）和碳排放（20%-40%）。目前，邓兵团队正在推进该技术的中试开发，包括流程优化和设备设计等。这项技术不仅经济可行，而且环境友好，具有广泛的实用价值和应用前景。
图6 方法示意图
（图源：Nature Chemical Engineering）
简评：
@清华大学机械系2024级硕士生 苟镇韬
电热氯化技术是一项创新的金属回收方案，它将直接加热闪速焦耳热技术和氯化冶金技术相结合，实现了从电子废料中高效分离和纯化战略关键金属。这项技术具有广泛的适用性、短流程、低能耗，并且无需使用水或溶剂，显著降低了成本和碳排放。回收率均在90%以上，金属纯度达到95%以上，显示出极高的效率和选择性。电热氯化技术不仅经济可行，而且环境友好，具有广泛的实用价值和应用前景。
03
加入我们成为科技青年！
与一群志同道合的小伙伴一起
追逐前沿科技动态，紧跟时代发展潮流
用文字表达你的科技观点
科技热点投稿联系方式：
15211534315（同微信号）
或 mingxuan-li@foxmail.com
部分文字或图片来源于网络，侵权删
供稿 | 清华大学机械工程系研究生分会
主办 | 清华大学机械工程系研究生分会
文字丨机械系研会学术部
编辑丨张佳悦
审核丨王健健、钱泓宇、李明暄
