撰稿|由课题组供稿
近日，中国科学院北京纳米能源与系统研究所王中林院士团队成功研制出了一种形状感应电子皮肤(SSES)，它可以识别表面构造，且受外界干扰较小。研究通过将SSES与软体机器人结合，实现对机器人的本体感知。此外，机器人可以利用机器学习来识别各种地形，感知外部环境，能够在更具挑战性的环境中执行任务。成果以“Machine-learning assisted electronic skins capable of proprioception and exteroception in soft robotics”为题被学术期刊《Advanced Materials》接收，尚未经过审稿、排版、分页和校对。论文第一作者为博士生舒生，通讯作者为唐伟研究员和王中林教授。
材料上的优势使得软体机器人具备了与生俱来的柔顺性和安全性，加上其自身可变形，具备无限多的自由度，软机器人已成为弥合机器与生物有机体特征的基础性研究热点。软体机器人通常配备各种传感器，用来提供周围环境的目标信息，以实现其高效的性能。电子皮肤技术是一个可以容纳多模式传感器甚至传感器阵列的综合平台，为进一步增强软体机器人的能力提供了巨大的可能性。然而，目前电子皮肤的研究主要涉及感知外部刺激（外部感知），只有少数研究集中在实时监测软体机器人的形状（本体感知）。虽然过往的研究中形状传感的准确性很高，但在实际应用中，软体机器人仍然需要额外的传感器来感知外部刺激。因此，当下的研究非常需要一种能够重建形状并同时对周围环境做出反应的电子皮肤，以简化结构来使得软体机器人的功能多样化。
除了电子皮肤，机器学习技术(ML)的进步也为开发更先进的软体机器人提供了可能。电子皮肤和ML技术的结合可以让软体机器人以更智能的方式执行给定的任务，ML在利用数据集方面的出色性能与分析传感信号非常匹配，尤其在传感器阵列中，传感器阵列通常具有在短时间内生成大量数据的特点，即使是经常被人类忽略的微小信号差异，ML也可以将其准确地辨别出来。因此，机器学习和电子皮肤的结合有望开发出具有先进人工智能的软体机器人，最终产生可以与生物有机体的能力相媲美的人工系统。
研究提出了一种基于差分压电矩阵的形状感应电子皮肤(SSES)，它可以通过集成机器学习技术来使得软体机器人具有本体感知和外部感知能力。SSES的每个构建块都是由两个聚偏二氟乙烯(PVDF)膜中间夹杂导电织物构成的。当施加压力或拉伸时，这两个PVDF膜的输出是相同的。因此，可以使用差分策略识别和最小化这些干扰，从而保证弯曲感知的鲁棒性，如图1所示。
图1.SSES的配置和特征。a) SSES 介导的软体机器人装配示意图。b) 弯曲下传感块的图示。c) 弯曲150°时两单元的开路电压输出。d, e) 在拉伸(0.2 mm)和加压(6.6 N)下的输出性能。f) 弯曲并拉伸的电压输出。g) 测量角度与电压输出之间的线性关系，范围从24.6°到172.8°。
这种软体机器人启用了本体感知，精度达到0.0025°，响应时间36ms，兼容与绝大部分软体机器人的应用场景。此外，基于获得的形状变化信号，该研究建立了一个动态模型，可以进一步推断爬行距离、手势和速度以进行调制和校准。
图2.SSES制造和形状重建。a) SSES 工艺流程图，依次为激光切割、磁控溅射和有机防焊剂 (OSP) 技术促进了 SSES 的批量制造，柔性印刷电路板提高了传感阵列互连的可靠性。b)基于传感器阵列的重建示意图。c）软体机器人弯曲的计算重建。d) 软体机器人典型爬行运动过程中四个传感块的实测角度曲线，突出显示不同的颜色以标记阶段。
软体机器人四肢弯曲状态的变化不仅引入了形态的变化，而且表明了它们与周围环境的物理相互作用。当引入机器学习策略来分析SSES获取的数据时，就会实现外部感知功能，从而展现出先进的人工智能。
图3.软体机器人在各种地形表面爬行的动态移动行为分析。a)软体机器人在各种地形上爬行的示意图，放大图是不同地形表面的光学图像。b)基于SSES获取的数据验证感知周围环境可行性的流程图。c)软体机器人在各种地形上爬行时的底面轮廓。d)SSES在10次试验中测量的机器人左前脚点的平均最大弯曲角度，误差条表示平均值的标准误差。e)软体机器人爬过不同地形时的平均爬行速度。
为了建立最佳的ML训练模型，该研究选择面向节点的决策树算法，因为感知信号是交织的，这种方法能够构建多个决策树并考虑平均值，以充分发挥各种模型的优势。此外，只有某些特定位置的传感单元才会表现出明显的响应这一特性可以最大限度地发挥节点分类的优势。在分析之前提取特征，并进行分类后，将这些特征打包成多个决策树算法进行训练，得到五重交叉验证和新数据集测试的结果。
图4.集成 SSES 的软体爬行机器人的环境感知。a)机器学习过程的流程图。b)用于环境识别的软体机器人的概念图。c,d)实验场景的光学图像。e)具有五重交叉验证的地形表面训练（五种不同粗糙度的不同训练路面）。分类混淆矩阵，总体准确率为98.0%。白色文本值是正确预测的百分比，青色文本值是正确预测的百分比，颜色条表示预测比例的数量。f)识别五个未经训练的新地形，以证明所开发模型的泛化能力。新A4纸用墨水打印；新的印刷图案采用更小的浮雕和不同的材料印刷；新金属略微抛光；新砂纸粒度减小20%；新的软橡胶被灰尘污染。g)上述所有环境的混合识别，整体准确率为98.2%。
http://dx.doi.org/10.1002/adma.202211385
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号。
