基于摩擦电-磁弹性混合机制的自供能多模态触觉传感技术及其在机器人智能感知中的应用

为解决物体属性感知中解耦困难、精度受限等挑战，研究人员开发了一种基于摩擦电-磁弹性（TENG-MEG）混合机制的自供能多模态触觉传感装置（MMTSD）。该技术通过集成摩擦电阵列与磁弹性传感单元，实现了材料（识别准确率99%）、软硬度（100%）和粗糙度（95.56%）的高精度解耦，并结合深度学习算法在开放环境中展现出卓越的稳定性，为机器人智能化操作提供了创新解决方案。

　　

在机器人技术和智能设备飞速发展的今天，触觉感知能力成为制约其与环境交互深度的关键瓶颈。人类皮肤能够轻松辨别物体的材质、软硬和表面纹理，但要让机器人获得这种能力却面临巨大挑战——现有传感技术往往受限于环境干扰、功耗高、多属性耦合等难题。例如，单一传感机制无法同时解耦材料、软硬度和粗糙度信息，而传统电容、电阻传感器在温湿度变化时会出现信号漂移。更棘手的是，实际应用中这些属性往往相互交织，就像人类触摸一块带纹理的硅胶垫时，需要同时判断其材质弹性与表面凹凸，这对现有技术提出了近乎苛刻的要求。

针对这一领域痛点，国内某研究团队在《Cyborg and Bionic Systems》发表了一项突破性研究。他们巧妙地将摩擦电效应（Triboelectric）与磁弹性效应（Magnetoelastic）这两种物理现象相结合，开发出名为MMTSD的多模态触觉传感装置。该装置顶层采用掺杂BaTiO₃、PAN等不同介电常数颗粒的硅基摩擦电阵列（TENG），中间层为嵌入钕铁硼（NdFeB）微磁体的磁弹性转换层（FM-CL），底层则是柔性印刷线圈构成的磁感应层。这种"三明治"结构使装置既能通过摩擦电效应捕获材料表面电子亲和力差异，又能借助磁弹性变化精准感知压力，实现了"力-磁-电"的多级信号转换。

研究团队运用了几项关键技术：通过掺杂调控的TENG阵列实现材料特征编码；利用磁弹性薄膜（MEG）的力磁耦合特性构建稳定力反馈单元；基于轻量化卷积神经网络（CNN）开发物体属性识别模型（OPRM）；在开放环境中建立包含8种材料、3级软硬度、4级粗糙度的多维度数据集。特别值得注意的是，团队创新性地采用电压-电流双信号融合策略，其中TENG电压反映材料与粗糙度特征，MEG电流提供力补偿基准，二者协同克服了传统单一信号易受干扰的缺陷。

研究结果部分揭示了多项重要发现：在频率响应测试中，MMTSD在2.5Hz频率下TENG信噪比（SNR）达24.92dB，MEG响应时间仅5.5ms；压力测试显示MEG电流与施加压力呈完美线性关系（R²>0.99）。更引人注目的是材料识别实验——当机械爪抓取黄铜、树脂等8种材料时，TENG阵列产生的电压峰值雷达图呈现出独特的"电子指纹"特征，即使施力不同，归一化后的图形仍保持高度一致性。对于软硬度识别，装置通过分析信号响应时间差异，成功区分了弹性模量相差10倍的样品（识别率100%）。在最具挑战性的粗糙度识别中，引入MEG力反馈使准确率从88.89%提升至95.56%，验证了双信号机制的优势。

讨论部分强调了该研究的三大创新：首先是自供能特性，TENG-MEG组合无需外接电源即可工作；其次是环境鲁棒性，MEG信号在温湿度变化时波动幅度<5%，远优于传统传感器；最重要的是多属性解耦能力，通过"材料-软硬度-粗糙度"感知模型，系统对混合属性物体的综合识别准确率达95.83%。这些突破使得机械爪能像人类手指一样，在抓取PDMS（聚二甲基硅氧烷）或Ecoflex（一种弹性体）制品时，同步判断其硬度等级与表面抛光程度。

这项研究为机器人触觉感知领域树立了新标杆。其技术路线不仅解决了多模态信息耦合的经典难题，更通过仿生设计实现了与生物触觉相似的功能集成。未来在工业分拣、精密装配、医疗机器人等场景中，这种能"感知"物体内在属性的智能皮肤，或将彻底改变人机交互的方式。正如研究者展望的那样，当机器人获得接近人类的触觉敏锐度时，从危险环境作业到微创手术辅助，一系列革命性应用将成为可能。