《仿生离子电子触觉传感器（MFIS）：从设计到应用》2025 Materials Today论文解析
摘要：本文介绍了一种新型仿生触觉传感器MFIS，通过模拟人类皮肤结构（表皮凸起层+真皮离子凝胶层）解决传统离子电子传感器的三大痛点：串扰、灵敏度与量程矛盾、复杂特征识别困难。凸起层设计实现应力集中（提升灵敏度）、消除串扰（降低95.8%位移干扰）和软硬识别功能。实验显示该传感器兼具超高灵敏度（8394.37kPa⁻¹）和宽量程（0-1000kPa），耐用性优异（5000次循环漂移<2%）。结
目录
1. 凸起层能让压力 “精准砸在凝胶上”（图 2a：应力集中）
3. 凸起层能让传感器 “摸出软硬”（图 2c：识别弹性模量）
2. 帮机器人 “摸透” 物体里面的东西（3D 重建 + 皮下感知：图 5）
一、为什么要做这个传感器？（引言背景）
先搞懂一个基础概念：离子电子触觉传感器。它靠 “电解质和电极界面的双电层（EDL）” 工作 —— 你可以想象成电极和凝胶接触的地方，有一层 “正电荷贴负电荷” 的薄膜，一压就会变形，电信号也跟着变，这样就把压力转成了能测的电信号。
这种传感器本来挺适合机器人的，但有三个大麻烦：
- “摸不准位置”：像素之间会串信号（比如压 A 像素，B 像素也有反应），就像手机屏幕按一个键跳两个；
- “灵敏和能测范围不可兼得”：想测很轻的力（比如捏鸡蛋），就测不了重的力（比如搬砖头），反之也不行；
- “摸不出复杂特征”：只能知道 “有没有压力”，不知道物体是软是硬、是圆是扁，更别说里面有没有东西了。
人类皮肤就厉害多了：表皮硬（保护）、真皮软（藏着触觉神经），指尖还有指纹 —— 指纹能放大触觉信号，让我们摸出纸的纹理、硬币的花纹。所以研究团队就想：能不能模仿皮肤的结构，解决传感器的麻烦？
二、MFIS 传感器长啥样？怎么模仿皮肤的？
先看图 1（文章里的核心结构图），左边是人类皮肤，右边是 MFIS 传感器，对应关系如下：
| 人类皮肤部分 | 功能 | MFIS 传感器对应部分 | 功能 |
|---|---|---|---|
| 表皮（硬） | 保护、放大触觉信号 | 异质凸起层（像指纹的小疙瘩） | 集中压力、放大信号 |
| 真皮（软） | 藏触觉神经，感知压力 | 离子凝胶层（软乎乎的导电凝胶） | 产生双电层，把压力转成电信号 |
| 皮下组织 | 固定结构 | TPU 基质（有弹性的塑料框） | 把凝胶嵌在里面，防止串信号 |
| 神经 | 传信号 | 上下电极（纳米银浆做的） | 把凝胶的电信号传出去 |
图 1 里还标了比例尺：MFIS 阵列整体才 5mm（比指甲盖还小），特写的凸起层 1mm—— 这么小，正好能装在机器人的 “指尖” 上。
核心创新：那个 “像指纹的凸起层”（异质凸起层）。它用硬一点的材料做的（3MPa，比凝胶硬 15 倍），能把压力 “聚” 在凝胶上，还能防止压力传到旁边像素，一举解决 “串信号” 和 “灵敏 / 范围矛盾” 的问题。
三、凸起层到底有多有用？
研究团队先用有限元分析（FEA） 做了电脑模拟 —— 简单说就是 “在电脑里压传感器，看它怎么受力”，结果都在图 2里，分三个重点看：
1. 凸起层能让压力 “精准砸在凝胶上”（图 2a：应力集中）
- 图 2a-i：平面结构传感器（没有凸起层）压 200kPa 的时候，压力全跑在 TPU 塑料框上了，凝胶几乎没受力 —— 就像用手按一块平的海绵，力都散了，测不准；
- 图 2a-ii：MFIS 传感器（有凸起层）压力全聚在凝胶中间，而且从中间往两边慢慢减弱 —— 相当于用手指的指腹（不是掌心）按海绵，力更集中，凝胶的电信号就更明显；
- 图 2a-iii：接触面积怎么变？平面结构的传感器，一压凝胶就全接触了（很快 “饱和”），再增压信号也不变了（所以测不了重的力）；MFIS 的接触面积是 “慢慢扩大” 的 —— 从中间开始，压力越大，接触范围越往两边扩，所以轻力、重力都能测；
- 图 2a-iv：实验验证蓝色线是平面结构，红色是 MFIS——MFIS 的电容变化（电信号）全程都在涨，平面结构很快就平了，证明模拟没骗人。
2. 凸起层能防止 “串信号”（图 2b：消除串扰）
- 图 2b-i：三种结构的位移模拟压一个像素，平面结构的变形会 “漫” 到旁边像素（像水波纹）；而 MFIS 因为有凸起层和 TPU 框，变形只在被压的像素里，旁边几乎不动；
- 图 2b-ii：定量对比横坐标是像素的 X 轴位置，纵坐标是位移。平面结构压一个像素，旁边像素能移 0.05mm；MFIS 旁边像素只移 0.002mm（减少了 95.8%）—— 相当于手机按一个键，其他键完全没反应，定位超准。
3. 凸起层能让传感器 “摸出软硬”（图 2c：识别弹性模量）
- 图 2c-i：软 / 硬物体压凸起层的区别压硬物体（比如塑料块）：硬物体不变形，直接把凸起层压向凝胶，电极很快就和凝胶接触，电信号来得快、来得大；压软物体（比如海绵）：软物体自己先变形，凸起层被 “缓冲” 了，电极和凝胶接触慢，电信号来得晚、来得小；
- 图 2c-ii：接触面积对比硬物体（红色线）的接触面积涨得快，软物体（蓝色线）涨得慢 —— 这样传感器就能通过 “信号变大的速度”，判断物体是软是硬。
四、MFIS 传感器的性能到底有多强？
电脑模拟再好，也要做实物测试。研究团队做了一个 MFIS 传感器，测了它的 “灵敏度、耐用性、一致性”，结果全在图 3里：
1. 又灵敏又能测重（图 3a、3b）
- 图 3a：电容随压力变化横坐标是压力（从 0 到 1000kPa，相当于 10 公斤力压在 1 平方厘米上），纵坐标是电容变化率。曲线分三段：
- 0-5kPa（轻压，比如捏一片纸）：灵敏度8394.37 kPa⁻¹—— 这是什么概念？压得越轻，信号变化越明显，连 2.1mg 的重量（差不多一张薄纸的重量）都能测到；
- 5-245kPa（中压，比如握手机）：灵敏度 2448.68 kPa⁻¹；
- 245-1000kPa（重压，比如搬小盒子）：灵敏度 163.71 kPa⁻¹—— 就算压很重，信号还在变，不会 “失灵”；
- 图 3b：和以前的研究比黑色线是 MFIS，其他颜色是别人做的传感器 ——MFIS 的 “灵敏度 - 压力范围” 曲线全程在上面，证明它是目前同类型里综合性能最好的。
2. 耐用、稳定（图 3c、3d）
- 图 3c：循环按压测试分别用 100、200、400、600、800kPa 压传感器，每次压和松的曲线都重合 —— 说明不会 “越用越不准”；
- 图 3d：5000 次循环测试横坐标是按压次数（从 0 到 5000 次，相当于机器人反复握东西 5000 次），纵坐标是电容变化率 —— 几乎是一条直线，漂移不到 2%；右上角小图是 “第 1-10 次” 和 “第 4990-5000 次” 的曲线，几乎一样 —— 证明用很久都不会坏。
3. 阵列一致性好、串扰小（图 3e、3f）
研究团队还做了一个144 像素的 MFIS 阵列（12×12mm，比指甲盖小）：
- 图 3e：各像素一致性压不同位置的像素，电容变化率的差别不到 7.9%—— 相当于 144 个 “小传感器” 性能一样，不会有的灵敏有的迟钝；
- 图 3f：串扰对比平面结构的阵列，串扰有 37%（压一个像素，旁边有 37% 的信号）；MFIS 阵列串扰不到 4%—— 定位超准，能 “摸出” 压力的准确位置。
五、传感器能帮机器人 “摸出” 什么？
性能再好，最终要能用。研究团队做了两个关键应用，全靠传感器 + AI（深度学习）实现。
1. 帮机器人 “摸出” 物体的软硬和形状（图 4）
- 实验 setup（图 4a、4b、4c）
- 图 4a：把 MFIS 阵列装在机器人的 “灵巧手指” 上，连了信号采集电路；
- 图 4b：准备了 36 种样品 —— 分 6 种弹性模量（从软的 Ecoflex 0020，到硬的 PDMS）、6 种曲率（从 0.2mm⁻¹ 到 0.5mm⁻¹，曲率越大越 “尖”），总共 36 种；
- 图 4c：机器人手指按样品，每次按到样品变形 15%（比如 1cm 高的样品按下去 0.15cm）；
- 怎么 “认” 样品？（图 4d、4e、4f）
- 图 4d：电容热图（关键！）热图的颜色代表信号大小（红 = 信号大，蓝 = 信号小）：
- 软样品（38kPa，左图）：刚开始按，样品自己先变形，热图几乎没红色；按深了，凸起层才压到凝胶，红区慢慢扩大；
- 硬样品（950kPa，中图）：一按就有红区，而且红区集中；
- 曲率小的样品（0.2mm⁻¹，右图）：接触面积大，红区也大；曲率大的样品，红区小而集中；
- 图 4e：AI 模型（2D-CNN+LSTM）因为信号既有 “空间分布”（哪个像素红），又有 “时间变化”（红区怎么扩大），所以用两个 AI 模块：
- 2D-CNN：先 “看” 热图的空间特征（比如红区大小、位置）；
- LSTM：再 “记” 时间特征（比如红区扩大的速度）；
- 图 4f：识别结果（混淆矩阵）横坐标是 “预测的样品标签”，纵坐标是 “实际的样品标签”，颜色越深代表认对的越多。最终 36 种样品的识别准确率是95.5% —— 只有少数 “软硬接近、形状也接近” 的样品认错了，已经很厉害了。
- 图 4d：电容热图（关键！）热图的颜色代表信号大小（红 = 信号大，蓝 = 信号小）：
2. 帮机器人 “摸透” 物体里面的东西（3D 重建 + 皮下感知：图 5）
人类能 “摸出” 手里的苹果有没有虫洞，MFIS 也能 “摸出” 物体里面藏的东西 —— 靠 3D 重建。
- 图 5a：传感器按物体时，不同位置的压力信号不一样，把这些信号拼起来，就能反推出物体的 3D 形状；如果里面有硬东西，对应的位置压力信号会变大，就能 “摸” 出来；
- 直接 “摸” 出形状（图 5b）测 2mm（左）和 5mm（右）半径的半球形 PDMS：3D 图能清晰看出 “中间高、两边低”，而且 5mm 的半球比 2mm 的 “更宽”—— 形状和大小都测准了；
- “摸透” 皮下的东西（图 5c、5d）把 PDMS 半球埋在软的 Ecoflex 里（Ecoflex 像海绵，PDMS 像石头）：
- 图 5c：埋 2mm 深 ——3D 图里能看到一个 “凸起”（就是 PDMS），边缘的信号来自外面的 Ecoflex；
- 图 5d：埋 5mm 深 —— 凸起的信号变弱了，但边缘的 Ecoflex 信号变强了（从 35nF 涨到 70nF）—— 靠这个信号变化，就能算出埋的深度；
比如医疗上可以做 “无创触诊”（不用开刀摸肿瘤），工业上可以查零件内部有没有裂缝。
六、还有什么问题？未来怎么改进？（结论与展望）
研究虽然厉害，但还有两个小遗憾：
- 凝胶怕温湿度变化：温度高、湿度低，凝胶会干，信号就不准了 —— 以后得给凝胶加更好的 “包装”，或者换更稳定的材料；
- 现在只能 “认已知样品”：AI 模型是 “分类学习”，比如先教它 “这是软的、这是硬的”，它才能认；没法直接算出 “这个物体的模量是多少 kPa”—— 以后要改成 “回归学习”，像尺子一样直接量出数值，不用先教很多样品。
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
8
0- 0
已为社区贡献9条内容
所有评论(0)