仿生混合机器人手：兼具触觉感知与灵活抓握的创新成果

为解决传统仿生人手不足，研究人员开发含多层神经形态触觉传感的混合机器人手，成果显著，意义重大。

　　

一、研究背景

在科技飞速发展的今天，机器人技术的进步不断拓展着人类的能力边界。其中，仿生人手的研发一直是科学界的热门话题，它对于改善肢体残疾人士的生活质量意义非凡。然而，当前的研究却面临着诸多困境。

软机器人虽然凭借其柔顺的特性，在与人交互时安全性高，成本也较低，在一些特定领域有着独特的应用优势，比如在抓取易碎物品时能有效避免损坏。但它的局限性也很明显，由于仅由柔顺材料构成，在抓取重物时往往力不从心，无法像人类手部那样产生足够的抓握力，也难以精确感知物体表面的纹理。

而人类的手部堪称大自然的杰作，它是一种混合结构，巧妙地融合了刚性和柔性部分。这种结构赋予了手部强大的抓握力和精准的操作能力，同时还具备极高的灵活性和安全性。不仅如此，人类手部皮肤中的触觉感受器（mechanoreceptors）能够敏锐地感知外界刺激，为我们提供丰富的触觉信息，让我们可以轻松辨别不同物体的表面特征。

相比之下，现有的仿生人手研究成果却不尽如人意。许多模仿人类手部的刚性或柔性机器人，在性能上与真正的人类手部相去甚远。部分采用软机器人技术的拟人化手部，所能提起的最大物体重量仅为 1270g，远远无法满足日常使用需求。并且，已有的软机器人或部分混合机器人手部，大多都没有集成触觉传感或神经形态编码功能，这使得它们在与物体的交互过程中，无法像人类手部那样做出精准的反应。

鉴于此，开发一种更接近人类手部功能的仿生机器人手迫在眉睫。来自国外的研究人员勇敢地迎接这一挑战，开展了一项极具创新性的研究，致力于打造出一种具备先进功能的仿生混合机器人手，为肢体残疾人士带来新的希望。最终，这项研究成果发表在《SCIENCE ADVANCES》上，引起了广泛关注。

二、技术方法

为实现这一目标，研究人员采用了多种关键技术。首先，在结构设计上，利用 3D 打印技术制作刚性的聚乳酸（PLA）内骨骼，同时使用 Dragon Skin 10 硅胶构建软机器人关节，将两者结合打造出混合仿生手指。其次，在触觉传感方面，受人类皮肤多层结构启发，研发出三层仿生触觉传感器，分别模拟不同类型的触觉感受器。再者，运用 Izhikevich 神经元模型框架对触觉传感器信号进行神经形态编码，将模拟信号转化为类似神经元活动的脉冲信号。此外，通过有限元分析（FEA）对混合手指进行设计优化和性能评估，并利用肌电图（EMG）控制混合机器人手的抓握动作。

三、研究结果

1. 混合仿生手指：模仿人类手指的软硬混合结构，每个混合仿生手指包含三个由 Dragon Skin 10 硅胶制成的独立驱动软机器人关节，关节位于 3D 打印的 PLA 刚性骨骼结构之间。这种设计使得混合机器人手拥有 14 个独立驱动关节，软机器人关节通过气动网络驱动，与刚性内骨骼的串联配置增加了手指的弯曲力。同时，手指的柔顺性源于软机器人关节和软指尖，使其能安全地与物体交互，且指尖内置多层触觉传感器。
2. 多层仿生触觉传感器：受人类皮肤触觉感受器分层结构的启发，混合机器人手的指尖包含三层仿生触觉传感器。外层模拟表皮，对轻触和低频振动敏感；中层模拟真皮中的 Ruffini endings，用于检测变形；内层模拟 Pacinian corpuscles，可检测高频振动和瞬态压力。各层传感器的结构和特性不同，外层和中层为柔性压阻式传感器，内层为刚性压电传感器，它们协同工作，为手指提供了丰富的触觉信息。
3. 神经形态编码：运用 Izhikevich 神经元模型框架对多层触觉传感器各层的模拟传感响应进行神经形态编码，以模仿人类手部触觉感受器产生的动作电位。不同的神经元模型分别模拟不同的触觉感受器，如缓慢适应的人工 Merkel 细胞和 Ruffini endings 对纹理刺激持续响应，而人工 Meissner corpuscle 和 Pacinian corpuscle 则对刺激的起始和结束快速响应。这些神经形态响应结合机器学习用于纹理分类，也可通过神经刺激为假肢使用者提供自然的触觉感知信息。
4. 表征
   • 有限元分析：使用 ANSYS Discovery AIM Workbench 对单个混合仿生手指进行有限元分析。在静态结构分析中，应用标准 PLA 材料数据和 Dragon Skin 的超弹性三阶 Yeoh 模型。结果显示，当所有三个执行器在 7 psi（48.26 kPa）压力下驱动时，混合仿生手指可实现 127° 的曲率和 230° 的弯曲角度，且模型无失效点。
   • 单个混合仿生手指驱动：实际测量混合仿生手指在不同驱动压力下的弯曲角度和曲率。在 7 psi（48.26 kPa）压力下，混合仿生手指的曲率达到 130°，弯曲角度为 208°，而气动驱动的软机器人手指在 27 psi（186.15 kPa）压力下，曲率仅为 85°，弯曲角度为 130°。混合手指在 7 psi 压力下的各关节弯曲角度接近人类手指，且在 50 次驱动循环后，仍能稳定驱动，滞后极小。
   • 混合与软手指弯曲力比较：将混合手指与软机器人手指的弯曲力进行对比，发现混合手指在 7 psi（48.26 kPa）压力下可输出 1.8 N 的力，是软手指在 28 psi（193.05 kPa）压力下输出力（0.55 N）的三倍多。进一步实验表明，去除内骨骼的混合手指弯曲力大幅降低，接近软机器人手指，证明刚性内骨骼显著增加了混合手指的弯曲力，进而影响混合机器人手的抓握力。
   • 多层触觉传感器表征：对多层触觉传感器进行表征，测试其对不同力的电压响应。外层和中层压阻式传感器在神经形态编码前的原始模拟响应被独立表征，内层压电传感器仅对力的起始响应，其共振频率为 3 - 5 ± 0.5 kHz，最大共振阻抗为 300 欧姆，可检测高频振动和瞬态压力。各层传感器的最大频率响应不同，外层达到 46 Hz，中层达到 40 Hz，内层在 52 Hz 时仍保持离散状态。经 1000 次重复测试，多层触觉传感器表现稳定。
5. 表面纹理触诊的纹理分类性能：将具有多层神经形态触觉传感的混合机器人手与软机器人手指和刚性假肢手指进行纹理辨别能力对比。混合仿生手指在对 26 种纹理板的分类任务中，平均分类准确率达到 98.38%，而软手指和刚性手指的准确率分别为 82.31% 和 83.02%。分析表明，混合仿生手指在施加一致力和保持柔顺性方面表现更优，能更好地提取纹理的时空信息。进一步研究发现，多层传感器的不同组合可提高分类准确率，各层传感器提供的不同纹理信息增强了整体的触觉感知性能。
6. 混合手指手
   • 抓握：由五个混合仿生手指连接手掌构成混合机器人手，其手指配置模仿人类手部解剖结构。该混合机器人手安装在 UR5 机器人手臂上，可完成多种抓握模式，如球形抓握、捏握、动力抓握、三脚架抓握和圆柱形抓握，能抓取不同重量和形状的物体，包括重 143g 的金属板和易碎的塑料杯。此外，混合机器人手还可通过肌电图（EMG）控制，由 Myo Armband 采集和分类 EMG 信号，发送到 Arduino 微控制器控制气动驱动。
   • 抓握过程中的日常物体区分：利用混合机器人手指尖的多层触觉传感器，测试其在抓握 15 种不同表面纹理和柔顺性的日常物体时的感知和区分能力。混合机器人手在抓取和识别这些物体时，平均分类准确率达到 99.69%，仅对菠萝的识别存在混淆。通过分析不同感知层的分类准确率发现，基于慢适应（SA1 和 SA2）编码的感知层在区分这些物体时表现更好，表明日常物体区分更依赖基于柔顺性的感知，而多层触觉传感器可根据不同任务发挥不同感知层的作用。

四、研究结论与意义

这项研究成功开发出一种创新的仿生混合机器人手，它集成了多层神经形态触觉传感技术，具备出色的抓握能力和物体表面感知能力。与传统的软机器人和刚性假肢相比，该混合机器人手在多个方面取得了显著突破。在弯曲力方面，混合手指的弯曲力大幅提升，更接近人类手部的抓握能力；在触觉感知方面，多层触觉传感器和神经形态编码的结合，使其能够更精准地辨别物体表面纹理和特性。这一成果为肢体残疾人士带来了更接近自然手部功能的假肢选择，有望显著改善他们的日常生活和活动能力。同时，该研究也为仿生机器人领域的发展提供了新的思路和方向，推动了软机器人与刚性机器人技术的融合，为未来开发更先进、更智能的机器人系统奠定了坚实基础。