效仿人體感覺、神經傳遞和適應性運動是在人機界面和先進仿生假肢領域開發智能機器人的一個具有挑戰性的研究課題。

雖然視覺識別方法已經能夠有效地識別形狀特征和紋理，但在識別內部軟性特征方面存在困難，因此在微創手術、工業取拾和假肢康復等領域應用嚴重受限。相比之下，基于柔性傳感器的觸覺感知技術在協助智能機器人實現組織識別、精細運動任務和交互意識方面具有獨特優勢。通過對對物理刺激敏感的微/納結構材料和設計的使用，各種傳感機制（例如壓電、磁性和壓阻）的柔性傳感器已經應運而生，用于實現對觸摸物體的軟硬度識別。然而，基于單一傳感機制的這些測量策略容易受到環境因素（如非線性摩擦和電干擾）的干擾，從而限制了其感知和測量的準確性。

柔性傳感器是一種能夠彎曲和適應物體形狀的傳感器，通常由具有特殊性質的材料制成，例如微/納結構材料。這些材料對于物理刺激（例如壓力、應變、磁場等）非常敏感，可以將這些刺激轉換成電信號或其他形式的輸出。

在觸摸物體的軟硬度識別方面，研究人員開始使用各種傳感機制來開發柔性傳感器。例如，壓電傳感機制利用壓力引起的電荷分布變化來測量觸摸的力度和位置，磁性傳感機制通過測量磁場的變化來檢測物體的變形和壓力，而壓阻傳感機制則是利用電阻的變化來衡量觸摸物體的壓力。

然而，基于單一傳感機制的測量策略存在一些問題。這些問題主要涉及到環境因素對傳感器性能的干擾。例如，非線性摩擦是指當物體相對運動時，摩擦力不按線性關系變化，而是隨著運動速度、接觸面積等因素而變化。這種非線性摩擦會影響傳感器對物體力度和位置的準確測量。另外，電干擾也可能影響傳感器的準確性，因為外部電磁信號可能干擾傳感器的電信號輸出。

這些干擾因素可能導致基于單一傳感機制的柔性傳感器在感知和測量方面的準確性受到限制。為了克服這些限制，研究人員開始探索整合多種傳感機制的方法。通過同時使用多種傳感機制，傳感器可以從不同的角度獲得信息，從而更準確地感知和測量物體的軟硬度特性。這種多功能傳感器系統可以降低環境干擾的影響，提高感知和測量的可靠性。

當人們想要研究或處理軟材料（例如豆腐、番茄等）時，通常需要一種方法來衡量它們的軟硬程度。本文提出了一種新穎的非侵入性測量方法，用于量化軟材料的軟硬程度，通過將壓電和應變傳感模塊集成到一個仿生多功能傳感系統中。

本文構建了一種多功能感知系統，它模仿了人類皮膚的感知功能，并且應用在機器人的人工手指上，使機器人能夠感知和分辨不同的觸覺刺激。

人類皮膚中的感受器能夠辨別各種機械刺激，包括快適應性（FA）感受器和慢適應性（SA）感受器。FA感受器對動態力產生反應，而SA感受器則能夠檢測靜態壓力。本研究受到人類皮膚的生理功能啟發，將壓電模塊集成到仿生操縱器中，模仿了FA感受器的感知功能，以便檢測高頻動態刺激，從而可以通過瞬時脈沖信號初步區分軟硬。同時，應用壓阻模塊來捕獲類似于SA感受器的靜態刺激，從而實現液態金屬傳感器在整個壓力過程中保持信號，深入解碼軟硬程度。這種協同效應展示了多功能感知系統在機器人智能分揀方面的潛在潛力，從而在神經假肢、軟體機器人和人機交互界面方面開辟了廣泛的應用機會。

為了模仿人類手的自然智能，本研究設計了一個仿生操縱器，其結構基于手指骨骼的生理結構。這個操縱器可以通過3D打印來制造，并具有指間關節的模式化液態金屬傳感器，這些傳感器能夠感知機械刺激。壓電傳感器位于機器人指尖，用于在機器人接觸物體時獲取動態信號。壓阻應變傳感器集成在指關節處，用于獲取彎曲信息。指尖的模具基于3D打印技術，通過在模具中倒入PDMS，形成指紋狀結構，從而增強粘附和摩擦，改善表面變形。

壓電傳感器的感知機制在于施加動態變化的壓力時，壓電層內分子偶極的重新定向。通過電-機械分析模型可以進一步預測壓電模塊的壓電電壓與壓力之間的關系。通過有限元分析，可以研究壓電薄膜的壓電電勢。實驗結果顯示，壓電電壓隨著壓力從1.25 kPa增加到5 kPa迅速增加，靈敏度為60 mV/kPa，與有限元分析和理論計算的結果基本一致。壓電模式的響應時間為12毫秒。

捕獲靜態和低頻機械刺激對于電子傳感器來說也是至關重要的。伸縮應變傳感器通過使用基于鎵合金的液態合金（Ga: In 75:25 wt %）制造，能夠在手指關節處集成，并能夠捕獲靜態壓力。當液態合金線的應變增加時，其電阻迅速增加，這個關系在實驗測量中得到了驗證。該傳感器在不同應變下表現出不同的靈敏度。此外，該傳感器對長時間的高機械耐久性也有很好的性能。

多功能感知系統的可靠性驗證：該研究旨在驗證一種多功能感知系統的軟度測量可靠性。該系統整合了兩種感知機制：壓電和應變，用于同時檢測動態和靜態的機械刺激。在識別過程中，為了實現無痕抓取，首先需要對具有不同楊氏模量（即硬度）的八種標準樣本進行初步分類。這些標準樣本包括海綿、泡沫、Ecoflex、聚二甲基硅氧烷（PDMS）、乙烯基乙酸乙烯酯（EVA）、聚苯乙烯、橡膠和木材。機械手輕輕觸摸各個樣本，每次使用相同的接觸力和速度，從而導致壓電和應變傳感信號的同步響應。通過主成分分析方法對多模態信號進行處理，以提取主要特征并降低有效信息的維度。壓電信號和應變信號的識別準確度與單一壓電信號的識別準確度進行比較，結果表明兩種情況的識別準確度非常接近。此外，由于數據庫增加，這會消耗更多時間和計算資源。壓電電壓的峰值測量值明顯隨物體類型變化，這表明壓電信號在檢測動態刺激方面起著關鍵作用，并適合于提供感知反饋來分類軟度。

神經網絡與深度學習的結合：將神經網絡和深度學習與感知系統結合起來，創建機器人的感知和識別能力是一種有效的方法。在這里，設計了一個雙流卷積網絡，以有效地獲取原始復雜信號的時空特征。這歸功于兩種神經網絡的協同效應。此外，本研究中的所有算法都是在TensorFlow中實現的。特別地，機械手接觸了具有不同軟度的八種類型的物體，每個物體有30組感知信號。收集到的數據被隨機打亂，其中60%用作網絡的訓練數據，40%用作測試數據。通過2D卷積將感知信號轉換為即時圖像信號進行處理。卷積神經網絡利用滑動卷積核提取壓電信號的峰值變化。與此同時，GRU被采用來獲取壓電信號之間的強序列相關性特征。模型的混淆圖顯示，CNN方法能夠幫助機械手實現94.27%以上的軟度識別準確率，而從GRU-CNN模型學到的特征進一步將識別準確率提高到98.95%，即使在有限的訓練數據下也能實現。可比較的結果表明，兩種深度神經網絡的協作可以提高訓練效率，改善特征之間的交互，從而提高識別準確度。

軟度定量判別的步驟：通過壓電信號和深度學習的輔助，將八種類型的標準樣本區分和分類為四個軟度類別（A、B、C、D）。根據初步分類結果，對不同軟度類別的標準樣本施加不同的接觸力，用于后續的軟度定量判別。自適應接觸力被施加以獲得從應變模式到進一步量化軟度的相對電阻變化，從而防止由于過度施壓而對物體造成永久性損害。靜態原理中的測量考慮了物體由于接觸力而產生的彈性變形，這通過接觸力的彈性變形原理來進行測量，包括應變傳感器測得的樣本變形以及從力-位移曲線獲得的指尖壓電傳感器的變形。

當談論軟材料的彈性系數時，通常涉及到評估材料的柔軟度或彈性程度。本文利用生物啟發的多功能傳感系統的方法，以一種非侵入性的方式來量化軟材料的彈性系數，從而使仿生機械臂能夠實現自適應抓取。研究方法首先通過壓電信號和修改后的機器學習算法對軟材料進行初步分類，準確率達到了98.95%，從而為后續的應變傳感反饋量化測量鋪平了道路。這種多功能傳感模塊的協同效應使得機械臂能夠識別軟硬程度在30 kPa到10 MPa之間的各種軟材料，從而在抓取易碎物體（如番茄和豆腐）的精細任務中具備應用機會。作為概念驗證的示范，開發出的具有多感知能力和抓取適應性的仿生機械臂成功地集成到機器人手臂中，實現了對新鮮和腐爛橙子的智能分揀。這項研究為無破壞軟材料柔軟度測量提供了一種策略，并且在智能軟體機器人、微創手術和電子假肢等領域具有廣泛的應用前景。

總之，這項研究提出了一種基于生物啟發的多功能傳感系統的方法，用于非侵入性地量化軟材料的彈性系數。通過使用壓電信號和機器學習算法，可以準確地對軟材料進行分類，并通過應變傳感反饋進行量化測量。多功能傳感模塊的協同效應使得機械臂能夠識別不同軟硬程度的軟材料，并在抓取易碎物體的任務中展現出適應性。通過將這一方法應用于機器人手臂中，還實現了對水果的智能分揀任務。這項研究對于智能軟體機器人、微創手術和電子假肢等領域具有重要意義，為未來的相關研究和應用提供了有價值的思路和方法。