自供电摩擦电纺织系统中的触觉推断

《Nano Energy》：Haptic inference in a self-powered triboelectric textile system

智能纺织材料系统通过六通道自供电三极管电传感器实现本体感觉与触觉分离，在30种日常物体识别中达到99%准确率，并具备94.06%的跨类泛化能力，开创信息高效、边缘智能的人机交互新范式。

　　这是一项关于智能材料系统的研究，旨在模仿人类触觉的整体感知能力，并实现超越固定类别的通用物体识别。这样的技术对于机器人、假肢以及人机交互系统具有革命性的潜力。研究团队展示了一种基于自供电摩擦电传感器的纺织品集成材料系统，该系统克服了传统传感方法所面临的复杂性、布线需求和电源负担。通过将本体感觉信号与手腕肌腱运动分离，以及将触觉信号与指尖接触分离，使用仅有六个传感器通道的极简设计，该系统在30个真实世界物体中实现了约99%的分类准确率，包括视觉上难以区分的情况。更关键的是，该系统超越了固定类别识别，实现了具有认知能力的感知，能够学习抽象的形状和材料特征，从而以94.06%的准确率识别出训练集之外的物体组合。通过将传感器数量减少约99%，相比最先进的密集传感器阵列，我们的方法实现了稳健推理和组合泛化，为信息高效、边缘智能的材料系统建立了新的范式，用于自主、视觉独立的电子感知。

在介绍部分，研究指出赋予机器人类般的触觉智能，使其能够超越固定类别进行泛化识别，是机器人、假肢和人机接口领域的核心挑战。人类通过立体知觉实现这一能力：通过肌肉和肌腱的本体感觉信号来感知整体形状，通过皮肤的触觉信号来辨别表面和材料特性。这种综合的触觉感知能力，使得机器能够在各种应用中更有效地识别和操作物体。尽管已有许多可穿戴传感器用于物体识别，但大多数仅能感知有限的属性，如形状或表面特性。电子模拟人类立体知觉的能力受到两种主流范式的阻碍：一种是“蛮力”方法，使用高密度传感器阵列，这导致了高昂的布线、带宽和计算开销；另一种是“不完整”方法，使用极简的单模态传感器，即便结合先进的机器学习技术，也无法提供所需的综合感知能力，从而难以稳健地区分复杂物体。因此，一种能够通过信息高效架构实现真正双模态立体知觉的可穿戴系统，仍然是一个亟待解决的重要目标。

与以往的可穿戴传感器相比，本研究提出的生物启发型摩擦电可穿戴立体知觉（BEWARE）系统，通过将本体感觉和触觉感知相结合，在一个极简的自供电架构中实现了独特的功能。这种双模态方法使得系统具备超越现有技术的能力，能够以比之前触觉手套少超过99%的传感器数量实现人类般的物体感知，并能泛化到训练集之外的物体。系统通过解耦感官流来模拟生物模型：一个手腕传感器捕捉由肌腱运动引起的摩擦电本体感觉信号，用于推断整体形状；五个指尖传感器则采集触觉数据，用于识别物体的表面材料。这种双模态设计通过计算资源较少的神经网络进行处理，该神经网络基于小数据集进行训练，不仅在已知物体上实现了最先进的识别准确率，包括视觉上模糊的情况，还具备更深层次的能力：能够学习形状和材料的抽象基础元素，从而通过演绎推理识别从未见过的物体。这标志着可穿戴触觉传感器从简单的模式匹配向具有泛化能力的人类般的触觉感知的范式转变。

在设计部分，BEWARE系统通过统一、自供电且信息高效的设计实现了人类般的立体知觉。该设计采用纺织品集成的摩擦电传感器，结合导电纺织品电极和聚二甲基硅氧烷（PDMS）介电层。PDMS提供了生物相容性和可拉伸性，这是其适用于皮肤接触的重要特性，同时其强烈的负电特性也促进了与传感器之间的高效电荷转移。系统的核心在于通过极简的结构和自供电的方式，实现对物体的全面感知。这种设计不仅减少了传感器的数量，还提升了系统的灵活性和适用性，使其能够在多种环境下稳定运行。

在触觉感知方面，系统能够识别材料属性的能力来源于指尖传感器与物体表面接触时的接触电荷转移。在抓取过程中，物理接触会引发电荷转移，产生独特的摩擦电信号，这些信号可作为不同材料的高保真指纹（图2a）。这种现象可以通过电子云势阱模型来描述，其中每种材料的表面电子状态不同，导致其在接触时产生不同的电荷响应。这种电荷响应不仅能够反映材料的特性，还能提供关于物体表面结构的详细信息，从而实现更精确的识别。通过这种方式，系统能够模拟人类对物体表面和材料特性的感知能力，为机器人和假肢提供更真实的触觉反馈。

在解耦感知性能和基准测试部分，为了严格评估BEWARE系统中解耦感知模态的性能，研究团队设计了一个受控实验，使用两组在形状和表面特性方面有所变化的物体进行测试。实验的核心创新在于展示系统能够通过一个自供电的腕部摩擦电本体感觉单元识别物体的整体形状，这是一种信息高效且极简的方法，与复杂的传统传感系统形成鲜明对比。通过这种方式，系统能够在不依赖外部电源的情况下，实现对物体的感知，同时减少布线和计算需求。实验结果表明，该系统在不同形状和表面特性的物体上均表现出良好的识别能力，为未来的可穿戴触觉系统提供了新的方向。

在识别多样化的现实物体部分，为了超越受控实验，研究团队在现实场景中进行了压力测试，使用了一个包含30种日常物品的挑战性数据集，包括水果、蔬菜、盒子、球体和杯子等。这一数据集，据我们所知，是目前用于自供电可穿戴传感器系统评估的最大且最多样化的数据集。数据集经过精心策划，旨在测试系统在不同环境下的识别能力。通过这种方式，系统不仅能够识别训练集中的物体，还能够在未见过的物体组合中实现准确的识别，为未来的应用提供了更广泛的适用性。

在通过学习形状和材料基础元素实现演绎推理部分，研究团队在建立了系统高保真分类性能的基础上，进一步探索了更深层次的能力：即系统能够超越识别本身，进行一种演绎推理，以识别从未见过的物体。这一能力解决了大多数传感系统受限于训练集的根本问题。为了实现这一目标，研究团队开发了一种范式，使BEWARE系统首先学习形状和材料的抽象基础元素，然后利用这些元素进行推理，从而识别新的物体组合。这种推理能力不仅提升了系统的泛化能力，还使其能够在没有明确训练的情况下，对新物体进行识别，为未来的智能材料系统提供了新的可能性。

在系统制造和集成部分，研究团队使用了商业导电纺织品和弹性纺织品手套作为基础材料。导电纺织品被指定为银镀尼龙织物（MWRF Source，型号A120），其表面电阻率低于0.05 Ω/sq。BEWARE系统通过将六个摩擦电传感器战略性地集成到纺织品手套中构建而成。五个触觉传感器安装在手指的外侧，用于与物体接触，而一个传感器则安装在手腕上，用于捕捉本体感觉信号。这种集成方式不仅提升了系统的灵活性和舒适性，还确保了其在不同应用场景下的稳定性和可靠性。

在形态分析部分，研究团队使用扫描电子显微镜（SEM; S4800）在5 kV加速电压下对纺织品手套基底、导电纺织品电极以及集成的摩擦电传感器的横截面进行了表征。通过这种方式，研究团队能够深入了解材料的微观结构和表面特性，为系统的优化和改进提供了科学依据。

在机械和性能表征部分，研究团队通过弯曲、折叠和抓取折叠操作，对基于纺织品的传感器和集成的BEWARE系统进行了定性评估，以测试其机械灵活性和鲁棒性。通过这种方式，研究团队能够确保系统在实际使用中不会因物理变形而影响其性能。同时，系统在各种环境下的稳定性也得到了验证，为未来的实际应用奠定了基础。

在作者贡献声明部分，研究团队明确列出了每位作者的贡献。Shujia Xu负责撰写原始草稿、研究、形式分析、数据管理；Wenzhuo Wu负责撰写审阅与编辑、监督、项目管理、资金获取、概念设计；Meng Hao Lee和Jing Jiang负责研究；Juan Wachs负责监督和资金获取；Chenxi Xiao负责研究。这种明确的分工确保了研究的顺利进行，并体现了团队成员之间的协作与贡献。

在利益冲突声明部分，研究团队声明了可能被视为潜在利益冲突的财务利益或个人关系。Wenzhuo Wu拥有待批准的专利#63/693,881，该专利归属于普渡大学研究基金会。如果还有其他作者，他们声明自己没有已知的潜在利益冲突。这种透明的声明有助于确保研究的客观性和公正性。

在致谢部分，研究团队感谢了国家科学基金会（NSF）在Grant NSF NRI #1925194下的支持。W.Z.W.还感谢了普渡大学工程学院和Edwardson工业工程学院的大学教师学者计划以及物理人工智能研究所（IPAI）的支持。这种支持为研究的开展提供了必要的资源和条件，使团队能够顺利完成项目。

在作者贡献部分，W.Z.W.提出了研究的构想，W.Z.W.和S.J.X.设计了实验，S.J.X.进行了实验并处理了数据，S.J.X.、J.J.和M.H.L.拍摄了所有物体的照片。这种明确的贡献分配有助于确保研究的透明度和可追溯性，同时也体现了团队成员之间的分工合作。

总体而言，这项研究为智能材料系统的发展提供了新的方向，通过自供电和极简设计，实现了对物体的全面感知能力。这种能力不仅提升了系统的识别准确率，还使其能够泛化到训练集之外的物体组合，为未来的机器人、假肢和人机接口系统提供了重要的技术支持。研究团队的贡献和合作确保了项目的顺利进行，同时也体现了科学探索中的严谨性和创新性。