《基于电阻抗断层成像的大面积柔性触觉传感器》论文解读
这篇文章的摘要主要讲了一种新型大面积柔性触觉传感器的设计和性能。
传统的阵列式传感器因为内部有很多刚性组件和电线，会降低传感器的柔韧性和可扩展性。而基于电阻抗断层成像（EIT）技术的柔性传感器能避免这些问题，但在设计大面积的这类传感器时，很难在可制造性和空间分辨率之间找到平衡。
为此，研究人员提出了一种新型的非阵列 EIT 触觉传感器，它由多孔弹性聚合物和离子液体制成。这种传感器没有内部阵列电极，制造简单，能低成本覆盖大面积。
为了提高空间分辨率和触摸灵敏度，研究人员采用了深度学习方案金字塔场景解析网络（PSPNet）对原始重建图像进行后处理，增强传感器的触觉感知能力。通过这种数据驱动的方法，在不使用内部电极的情况下，单点位置检测误差达到了 7.5±4.5 毫米。
针对 EIT 传感存在的位置依赖性问题，研究人员提出了子区域拟合的方法来校准大面积柔性触觉传感器的分布力，得到了整个传感区域内触摸力与 EIT 测量值之间的定量关系，实现了连续传感。
该原型传感器系统的实时性能表明，在非阵列传感器上，能够更准确地实现多点触摸和分布式力检测， temporal 分辨率约为 1.3 帧 / 秒，在人机交互方面有潜在应用价值
目录
二、方法与系统设计（II. METHODS AND SYSTEM DESIGN）
A. 传感原理与传感器制作（Sensing Principle and Sensor Fabrication）
B. 阻抗数据采集板（Impedance Data Acquisition Board）
C. 图像重建与分割（Image Reconstruction and Segmentation）
A. 单点触摸测试（Single-Touch Indentation Test）
B. 多点触摸测试（Multi-Touch Indentation Test）
C. 触摸力校准（Touch Force Calibration）
一、引言（I. INTRODUCTION）
想象一下，当机器人给你递一杯水时，它需要知道手指捏得有多紧才不会捏碎杯子，也不会让杯子滑落；当智能假肢接触物体时，它需要像真手一样感知触摸的位置和力度 —— 这些都离不开高性能的触觉传感器。但现有的触觉传感器，要么笨重僵硬，要么精度不够，很难满足大面积、高柔性、高灵敏度的需求。
传统的 “阵列式触觉传感器” 就像一块布满小传感器的拼图，每个小传感器都要接电线，不仅制作复杂、成本高，还会让传感器失去柔性。比如，想给机器人做一件能覆盖全身的 “触觉皮肤”，用这种传感器就像穿了一件带电线的铠甲，根本灵活不起来。而且，电线多了还会产生电磁干扰，影响测量精度。
后来，科学家发现 “电阻抗断层成像（EIT）” 技术是个好办法。它的原理有点像用电流 “透视” 材料内部：在柔性材料边缘放一圈电极，通上微弱电流后，触摸会改变材料内部的导电能力，电极能捕捉到这种变化，再通过计算就能画出触摸的位置和形状。这种技术不需要内部电极和电线，传感器可以做得又软又薄，成本还低，特别适合做大面积的 “电子皮肤”。
但 EIT 传感器也有缺点：一是空间分辨率低，多点触摸时容易 “糊成一团”；二是不同位置的灵敏度不一样，靠近边缘的地方敏感，中心区域反应慢；三是材料不合适 —— 有的用导电橡胶，弹性差、反应滞后；有的用纳米复合材料，导电不均匀，影响测量精度。
这篇文章就瞄准这些问题，设计了一种全新的 EIT 触觉传感器：用多孔弹性材料和离子液体做核心，结合深度学习优化图像，还能精确测量力度。下面就来详细看看这个传感器是怎么设计、制作和工作的。
二、方法与系统设计（II. METHODS AND SYSTEM DESIGN）
包括传感器的核心材料、工作原理、信号采集装置，以及如何把原始信号变成清晰的图像。
A. 传感原理与传感器制作（Sensing Principle and Sensor Fabrication）
1. 传感器的工作原理
传感器的核心设计特别巧妙，就像一块吸满导电液体的海绵：
基底是一块多孔的弹性聚氨酯泡沫（类似沙发里的海绵，又软又有弹性）；
泡沫里填满了 “离子液体”（其实就是含矿物质的自来水，含有钙、镁、氯等导电离子，能导电）。
当你用手指按压传感器时，被压的地方会像挤海绵一样，把里面的离子液体挤出去。这会导致该区域的导电能力下降（专业说法叫 “阻抗增大”）。传感器边缘有 16 个银电极，这些电极能 “感知” 到这种阻抗变化 —— 就像我们通过观察海绵被挤后水的分布变化，能判断哪里被按了、按得多用力一样。
更妙的是，离子液体被挤出的量和按压力度成正比：力度越大，挤出的液体越多，阻抗变化越明显。这意味着传感器能直接通过阻抗变化反推出力度大小，不需要复杂的换算。
2. 传感器的制作过程
这个传感器的制作一点都不复杂，甚至有点像手工课作业：
准备材料：20mm×20mm×5mm 的聚氨酯泡沫（多孔、弹性好）；Ecoflex 材料（一种柔性橡胶，用来做基底和盖子，防水又柔软）；16 个银电极（导电好，而且软，能贴合传感器边缘）；离子液体（用普通自来水，里面的矿物质足够导电，成本极低）。
步骤拆解（对应图 3）：
先用金属模具把 Ecoflex 做成基底和盖子 —— 基底是 “托盘”，盖子是 “密封盖”；
在基底的边缘均匀贴上 16 个银电极，电极之间距离相等，确保能 “全方位” 捕捉信号；
把聚氨酯泡沫放在基底上，然后往泡沫里倒离子液体，让液体充分渗入每个孔隙；
最后用硅胶把基底和盖子粘起来密封，防止液体漏出来。
整个过程不需要精密的工厂设备，普通人在实验室就能做出来，成本还很低。而且这种设计可以轻松放大，比如做一块 1 米 ×1 米的传感器，步骤也是一样的。
B. 阻抗数据采集板（Impedance Data Acquisition Board）
如果说传感器是 “皮肤”，那数据采集板就是 “神经中枢”—— 它负责把电极捕捉到的阻抗变化转换成数字信号，传给电脑处理。
1. 采集板的结构
图 4（a） 是采集板的实物图，大小只有 11.6cm，差不多一个手掌大，很容易装在机器人或智能设备上。
图 4（b） 是内部结构示意图，核心部件有：
16 个电极：连接传感器边缘，负责 “发送” 和 “接收” 电流信号；
多路复用器（ADG706 芯片）：相当于 “智能开关”，能控制哪个电极工作，让 16 个电极有序地测量信号，避免混乱；
阻抗转换器（AD5940 芯片）：高精度 “电表”，能把微小的阻抗变化转换成电信号；
单片机（STM32）：“小大脑”，负责控制整个采集板，处理信号，还能通过蓝牙把数据无线传给电脑（避免电线缠绕的麻烦）。
2. 信号采集的过程
采集板用 40kHz 的交流电作为 “激励信号”（可以理解为给电极通一股稳定的 “电流脉搏”）。当传感器被触摸时，被按区域的阻抗变化会被电极捕捉到，AD5940 芯片把这种变化转换成电信号，再由 STM32 单片机处理成数字数据，最后通过蓝牙发给电脑。
为了确保数据靠谱，研究人员做了两个关键测试：
精度测试：用标准电阻和阻抗元件（比如 1000Ω 的电阻）测试，发现采集板的测量误差不到 2%（比如测 1000Ω，结果在 1008Ω 左右），精度很高；
稳定性测试：用一个装满水的圆柱形容器模拟传感器（图 5），里面放一块塑料块，测试成像效果。结果发现，在 40kHz 的信号下，成像最清晰，而且重复测量 500 次，信号的信噪比（SNR）达到 65dB—— 这相当于在嘈杂的菜市场里，你能清晰听到朋友说话，说明信号特别稳定，几乎没有杂音。
C. 图像重建与分割（Image Reconstruction and Segmentation）
电极采集到的是一堆数字信号，怎么才能变成能看懂的 “触摸图像” 呢？这就需要 “图像重建” 和 “优化” 的步骤。
1. 传统图像重建的问题
一开始，研究人员用 “NOSER 算法” 处理信号，得到的图像有点模糊（图 10a）。这是因为 EIT 信号本身很微弱，容易受噪声影响，传统算法就像用低像素相机拍照，只能看出大概的轮廓，分不清细节。比如单点触摸，可能会被重建出一个模糊的圆，边缘不清楚；多点触摸，甚至会糊成一团，分不清是几个点。
2. 用深度学习优化图像
为了让图像变清晰，研究人员用了 “PSPNet 深度学习网络”—— 这相当于给图像装了一个 “智能高清滤镜”。
PSPNet 的工作原理（图 7）：
先通过 “MobileNet” 提取图像的基本特征（比如模糊的轮廓、大致的位置）；
再用 “金字塔池化模块” 放大细节：就像用不同倍数的放大镜观察图像，近距离看细节，远距离看整体，然后把这些信息融合起来；
最后输出清晰的图像（图 10b），触摸点的边缘变得锐利，能准确区分不同的触摸位置。
打个比方，传统算法重建的图像像水墨画，只能看出 “大概有个东西”；经过 PSPNet 处理后，就变成了高清照片，连触摸点的边缘形状都能看清。
为了训练这个网络，研究人员收集了 780 组触摸数据（从单点到四点触摸），用 90% 的数据训练网络 “认图像”，10% 的数据测试效果，最后让网络能稳定输出清晰的图像。
D.整个传感系统的 “工作流程图”
图 1 展示了整个触觉传感系统的四个核心步骤，就像一条 “流水线”：
- 阻抗数据采集：传感器边缘的电极捕捉触摸导致的阻抗变化，传给采集板；
- 成像重建：电脑用 NOSER 算法把数据转换成初步的模糊图像；
- 图像分割：PSPNet 深度学习网络优化图像，让触摸点清晰可见；
- 力感知：根据图像中触摸点的 “导电强度”，计算出按压力度。
这四个步骤一环扣一环，从 “感知信号” 到 “输出结果”，整个过程流畅协作，最终实现对触摸的精准感知。
三、实验（III. EXPERIMENTS）
光说不练假把式，研究人员做了一系列实验，全面测试传感器的性能 —— 就像给新产品做 “质检”，看看它的定位准不准、能不能区分多点触摸、力度测量准不准。
A. 单点触摸测试（Single-Touch Indentation Test）
这个实验要验证：传感器能不能准确判断 “哪里被摸了”。
实验设计
在传感器上画一个 5×5 的网格，共 25 个测试点，每个点之间相距 40mm（差不多一个手指宽）。用一个直径 15mm 的圆柱压头（类似手指）按压每个点，力度固定为 1.2N（大概是拿起一个鸡蛋的力度）。记录传感器判断的位置，再和实际位置对比，算误差。
测试过程
第一步：用 NOSER 算法得到模糊的重建图像（图 10a），只能看出大概位置；
第二步：用 PSPNet 处理图像，计算触摸点的 “重心”（比如一个圆的中心），得到精确位置（图 10b）。
结果
传感器的平均位置误差是 7.5±4.5mm—— 这是什么概念？大概就是你用手指点屏幕，误差不到 1 厘米，非常精准。而且，这个结果比同类带内部电极的传感器（误差 8.2±4.3mm）还要好。
从图 11 能直观看到：实际触摸位置（叉号）和传感器判断的位置（圆圈）几乎重合，误差向量（连接叉号和圆圈的线）很短，说明定位特别准。这意味着即使没有内部电极，只要用对了深度学习算法，传感器的定位精度依然能打。
B. 多点触摸测试（Multi-Touch Indentation Test）
这个实验要验证：传感器能不能区分 “多个点同时触摸”—— 比如同时用两个手指按传感器，它能不能认出是两个点，而不是一个模糊的区域。
实验设计
研究人员设计了三种复杂场景：
- 两点触摸：测试两个点在不同距离下能否被区分。分两种情况：案例 1（靠近电极的高灵敏度区），两点距离以 2cm 递增；案例 2（靠近中心的低灵敏度区），两点距离以 2.8cm 递增；
- 三点触摸：固定两个点的位置（相距 10cm），第三点以 1cm 为间隔上下移动，测试传感器能否区分三个点；
- 四点触摸：固定两个点的位置，另外两个点分别按水平距离（d）和垂直距离（h）变化，测试更复杂的多点触摸。
每个点的按压力度都是 1.2N，用相同的圆柱压头同时按压。
实验结果（表 II、III、IV）
两点触摸：案例 1 中，两个点距离 6cm 时，PSPNet 处理后的图像就能清晰区分（传统算法分不清）；案例 2 中，两个点距离 8.5cm 时能被区分 —— 这说明即使在灵敏度低的中心区域，传感器依然能有效工作；
三点触摸：当第三点距离中心只有 1cm 时，传统算法的图像会模糊成一团，而 PSPNet 处理后的图像能清晰看出三个独立的点，说明深度学习有效改善了中心区域的 “迟钝” 问题；
四点触摸：在 30 种不同的距离组合下，传感器都能较好地区分四个点。尤其是当点靠近中心时，传统算法几乎失效，但 PSPNet 处理后的图像依然能清晰分辨。
实时性能
传感器的实时刷新速度约为 1.3 帧 / 秒 —— 虽然比手机屏幕（60 帧 / 秒）慢，但足够满足人机交互的需求（比如机器人握手时，能实时感知力度变化）。实验还发现，在 20cm×20cm 的区域内，传感器最多能区分 6 个距离 6cm 的点（见论文附带的视频），这意味着它能应对比较复杂的触摸场景。
C. 触摸力校准（Touch Force Calibration）
这个实验要解决一个关键问题：传感器对不同位置的灵敏度不一样（比如同样的力度按边缘和中心，传感器的 “反应” 不一样），怎么才能让它准确测量 “按了多大力”？
问题分析
传感器的灵敏度存在 “位置依赖性”：边缘区域的电极多，信号强，一点力度变化就能被捕捉到；中心区域离电极远，信号弱，同样的力度变化，反应更轻微。如果直接用同一个标准换算力度，就会出现误差 —— 比如实际按了 1N，中心区域可能被算成 0.8N，边缘区域可能被算成 1.2N。
解决方案：分区域校准
研究人员利用传感器的对称性，把整个传感区域分成 6 个区域（图 14），每个区域的灵敏度差不多。然后在每个区域内，用不同力度（0-2.0N，以 0.2N 递增，相当于从轻轻碰一下到用力按）按压，记录阻抗变化和力度的关系。
校准过程
当力度变化时，重建图像中触摸点的 “导电强度峰值” 会跟着变（图 15）：力度越大，挤出的离子液体越多，导电强度峰值越低（因为导电的液体少了）；
每个区域的 “力度” 和 “峰值” 的关系用曲线拟合（图 16），发现它们符合一个规律：力度增大，峰值按固定的比例下降（类似 “力度翻倍，峰值降一半” 的规律）。
表 V 记录了每个区域的拟合参数，有了这些参数，就能根据峰值准确算出力度 —— 比如某个区域的峰值是 X，代入参数就能算出实际力度是 Y。
结果验证
随机选一些测试点（包括 6 个校准区域内和区域外的点），用校准后的方法计算力度，发现预测力度和实际力度的相关性达到 0.96（越接近 1 越准），误差只有 0.19N（最大力的 10%）。这意味着：
轻轻按（0.2N）和用力按（1.8N），传感器能清晰区分；
实际应用中，比如机器人抓杯子，能准确感知 “捏得够不够紧”，不会捏碎也不会滑落。
图 18 是实时演示：当手指按压传感器时，屏幕上会立即显示触摸的位置（哪个区域）、中心坐标和力度，3D 图像的 “高度” 会随力度增大而降低（因为导电强度下降），直观反映了力度变化。
四、结论（IV. CONCLUSION）
这篇文章设计的大面积柔性触觉传感器，解决了传统 EIT 传感器的三大痛点，性能非常出色：
- 材料创新：用多孔聚氨酯泡沫和离子液体组合，成本低、柔性好，而且阻抗变化和力度成正比，方便测量；
- 算法优化：用 PSPNet 深度学习网络处理图像，在没有内部电极的情况下，单点定位误差只有 7.5±4.5mm，比同类带内部电极的传感器更准；
- 力度测量：通过分区域校准，解决了 “位置依赖性” 问题，力度误差仅 0.19N，能满足人机交互的需求；
- 多点识别：能区分最多 6 个触摸点，实时刷新速度 1.3 帧 / 秒，适合复杂场景。
未来，这种传感器可以用在很多地方：机器人的 “全身皮肤”、智能假肢的触觉反馈、可穿戴设备的触摸交互（比如柔性键盘）等。有了它，机器就能像人类一样 “感知” 世界，和我们的互动也会更安全、更自然。
北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台
更多推荐
14
0- 0
已为社区贡献5条内容
所有评论(0)