点击蓝字 关注我们
01
内容概览
现有技术缺点
灵敏度和阈值限制：传统非接触传感器在灵敏度和阈值设定方面存在局限，难以适应复杂的应用场景。 依赖物理接触：现有的触觉传感器通常需要直接接触物体，限制了其在无接触环境下的应用能力。
环境适应性差：在恶劣环境下，传统传感器的性能往往不佳，影响使用效果。
文章亮点
远程感知概念：提出远程感知（tele-perception），旨在增强人类的感知与认知能力，超越传统感官的局限。
仿生多受体皮肤：通过无机纳米粒子的结构掺杂与深度学习算法结合，实现了14.2的ΔV/Δd灵敏度，创下新基准。
高准确率的材料识别：基于LSTM的自适应脉冲识别技术，材料识别准确率达到99.56%，且处理速度显著提升。
应用场景
监控系统：可应用于高精度的远程监控，提升情境感知能力。
机器人操控：增强机器人在环境中的互动能力，提高操控精度。
人机交互：改善类人机器人和人机界面的用户体验，提供更直观的交互方式。
总结
本研究通过引入远程感知和仿生多受体皮肤的设计，成功解决了传统非接触传感器的局限，展现出高灵敏度和高准确率的材料识别能力。这一创新不仅为人机交互和智能监控等领域提供了新的解决方案，还预示着未来在更复杂应用场景中的广泛潜力。通过结合多种感官输入，该技术有望推动人机交互的进一步发展，带来更实际的应用前景。
文章名称：Multi-receptor skin with highly sensitive tele-perception somatosensory
期刊：Science Advances
文章DOI：10.1126/sciadv.adp8681
通讯作者：中国科学院北京纳米能源与系统研究所的魏迪（ Di Wei）研究员、王中林（ Zhonglin Wang）院士、清华大学任天令（Tianling Ren）及剑桥大学初大平（ Daping Chu）
02
图文简介
多受体皮肤感知系统的设计
图1. 多感受器皮肤感知系统。(A) 人脑功能区域。(B) 示意图展示了分布在鸭嘴兽喙上的双感受器系统用于环境感知。(C) 基于多感受器皮肤和深度学习的智能感知系统示意图。(D) 多感受器（仿生电感受器和仿生机械感受器）皮肤在不同材料上的适用性。
多受体皮肤的机制与模拟
通过电子云重叠模型可以解释基于接触带电的触觉感知现象，从而揭示多受体皮肤接收电信号的基本原理。
图2. 多受体皮肤的机制及其仿真。 (A) 通过重叠电子云模型解释的触觉感知基本原理。(B) 用于远程感知的仿生电感受器工作机制。(C) (i) 无序掺杂的示意图和 (D) (i) 无机非金属纳米颗粒与微孔之间的结构化掺杂示意图。(C) (ii) 无序掺杂与 (D) (ii) 在开路条件下通过COMSOL评估的无机非金属纳米颗粒与微孔之间的结构化掺杂的电势分布。(E) 在开路条件下，通过COMSOL评估的掺有不同质量分数的PTFE乳液的PDMS的电势分布 [(i) 3%、(ii) 5%、(iii) 10%和 (iv) 20%] 以及 (F) 不同颗粒 [(i) SiO2、(ii) TiO2、(iii) BaTiO3 和 (iv) SrTiO3]。(G) 在开路条件下，通过COMSOL评估的掺有不同质量分数的SrTiO3颗粒的PDMS的电场分布 [(i) 4%、(ii) 8%、(iii) 12% 和 (iv) 16%]，以及 (H) 具有不同微孔深度的PDMS [(i) 10 μm、(ii) 25 μm、(iii) 40 μm 和 (iv) 50 μm] 在开路条件下通过COMSOL评估。(I) 对无机非金属纳米颗粒与微孔的结构化掺杂有效性的实验验证。
仿生电感受器的远程感知体感知觉
多受体皮肤的电感知过程如图3所示。随后，使用仿生电感受器演示了人机交互中的远程感知（图 3K），穿戴材料的人与机器人手臂之间的远程感知交互在视频S2中进行了说明。
视频S1
视频S2
图3. 仿生电感受器的远程感知体感。(A) 仿生电感受器的简化物理模型。(B) 通过有限元方法对仿生电感受器的行为进行模拟。毛发 (C 和 D) 及 FEP 薄膜 (E 和 F) 薄膜作为感知目标接近仿生电感受器的输出电压。(G) 仿生电感受器对不同材料的适用性。(H) 灵敏度电感受器以及本工作的代表性工作和相应的实现方法的总结。(I) 仿生电感受器在智能机器人系统中的应用场景展望。(J) 基于仿生电感受器的虚拟距离报警机器人。(K) 演示在成年人接近时如何操作机械臂进行挥手和握手。
通过仿生机械感受器阵列识别材料
基于阐述的仿生电感受器的操作原理，图4A展示了一个系统设计的2 × 2仿生机械感受器阵列。阵列中的每个传感器均注入了不同的聚合物粉末，分别被标记为传感器1、传感器2、传感器3和传感器4。根据摩擦电系列组合不同的传感器，可以更全面地描述对象实体，从而提高了识别的精确度。仿生机械传感器与未知材料之间的接触-分离过程相当于单电极模式下的完整电荷转移过程。与未识别材料接触时，由于电子亲和能力的差异，表面电荷发生转移。
图4. 通过仿生机械感受器阵列识别材料类型。(A) 仿生机械感受器阵列的示意图。(B) 实验中测试的材料及其照片。(C) 对不同接触材料的电信号反馈特性：(i) 电压幅度和(ii) 接触峰/谷值。(D) 仿生机械感受器阵列在接触正负材料（尼龙、FEP）时的输出电压。(E) 仿生机械感受器阵列分别检测到丙烯酸、Kapton、PE、PTFE、铝、纸张、PET和橡胶的电压输出。(F) 暴露于不同材料的仿生机械感受器阵列的归一化电压特性。(G) 位于摩擦电系列中不同位置的典型材料。
基于机器学习的身份识别系统
机器学习在处理具有复杂特征和可变信号长度的数据方面得到了广泛应用。作者使用LSTM来处理由仿生机器人手的多模态传感器阵列收集的数据。该模型通过监督学习进行训练，以识别未知材料。
图5. 基于机器学习的数据处理,用于高精度材料类型识别。(A) 用于材料识别的机器学习的整体计算流程图。(B) 脉冲识别的结果。(C) 单个信号分析的脉冲分割。(D) 通过数据增强扩展样本集。(E) 具有信号输入流的堆叠LSTM网络架构。(F) 随着通道输入增加，神经网络的准确性提升。(G) 具有四个通道的10个类别的机器学习结果图。(H) 微调中的训练过程。
机器学习辅助体感系统
为为了验证仿生机械感受器阵列在材料类型识别中的实际可行性，作者开发了一个实时触觉感知系统（real-time tactile perception system，RTPS），该系统整合了深度学习算法以实现即时的材料识别。触觉感知过程的详细信息见视频S3。
视频S3
作者通过将扫描真实物体的仿生电感知矩阵的扫描结果输入卷积神经网络（CNN），开发了一个三维识别人工远程感知体感系统。
图6. 多感受器皮肤在远程感知和触觉感知中的应用。(A) 带有仿生机械感受器阵列与RTPS交互的机械臂的照片。(B) RTPS的主页。(C) RTPS在识别材料时的输出信号曲线及识别结果。(D) 基于仿生电感受器矩阵（20 × 20单元）和卷积神经网络的3D物体远程感知系统。
03
文献来源
Yan Du et al. ,Multi-receptor skin with highly sensitive tele-perception somatosensory.Sci. Adv.10,eadp8681(2024).DOI:10.1126/sciadv.adp8681
免责声明：《未来传感技术》致力于分享关于未来传感技术的科学科普和技术解读。所有内容来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将24小时内删除。
