【科研摘要】

為了提高機器人對周圍環(huán)境和人類的適應性，對軟機器人進行了研究，以實現(xiàn)更有效，更安全的協(xié)作和交互。為了提高機器人的適應性，已經(jīng)通過實現(xiàn)不同的感測機制來積極地開發(fā)軟傳感器，例如，檢測電特性[例如，電阻和電容]或光學特性[例如，光強度和波長]。可以通過組合不同類型的材料來制造這些軟傳感器，這些材料包括液體（例如，離子液體和液態(tài)金屬），納米材料（例如，碳納米管）和金或銀納米線]，導電織物以及光學或光電材料（例如， 光電二極管，發(fā)光二極管（LED）和波導]。它們在檢測機器人的部分或整個身體的不同類型的物理刺激中起著至關(guān)重要的作用，類似于生物學中的機械感受器或本體感受器。

類似于生物學中的機械感受器或本體感受器，軟傳感器在檢測機器人的部分或整個身體的不同類型的物理刺激中起著至關(guān)重要的作用。由于在有限的空間中組合多個傳感機構(gòu)的限制，當前大多數(shù)具有緊湊形狀因數(shù)的軟傳感器一次只能檢測到一個變形模式。但是，在不增加其原始形狀系數(shù)的情況下在軟傳感器中實現(xiàn)多種模式是有益的，因為即使對機器人的單個輸入刺激也可能導致多種變形模式的組合。

【科研摘要】

最近，國立首爾大學Yong-Lae Park教授團隊報告了一種多功能的軟傳感器，該傳感器能夠以緊湊的形式將拉伸，彎曲和壓縮的組合變形模式解耦，以及檢測單個變形模式。相關(guān)論文Heterogeneous sensing in a multifunctional soft sensor for human-robot interfaces發(fā)表在《Science Robotics》上。提出的傳感器的關(guān)鍵使能設計功能是異類傳感機制的組合：光學，微流體和壓阻傳感。通過實現(xiàn)簡單的閾值評估算法和基于人工神經(jīng)網(wǎng)絡的機器學習技術(shù)，來表征變形模式的檢測和解耦性能。所提出的軟傳感器能夠估計八種不同的變形模式，其準確度高于95％。最后展示了所提出的傳感器作為人機界面方法的潛力，并列舉了幾個突出其多功能性的應用實例。

傳感結(jié)構(gòu)設計

擬議中的傳感器的設計使用異類傳感機制，通過三種不同的傳感元件來檢測光強度和電阻的變化，這些傳感元件封裝在一個軟傳感器中，如圖1A所示：集成有LED和光電二極管的光波導，微流控通道，其填充有室溫離子液體（RTIL）和導電織物層。為了將所有元素集成到單個傳感器中，首先將一個裝有RTIL的圓柱狀流體通道定位在傳感器的中心，并與中性軸對齊。一個柔軟的硅樹脂外殼封裝了該通道，通道的兩端分別裝有一個LED和一個光電二極管（圖1A，頂部）。充滿液體的通道起著波導的作用，來自LED的光通過該通道傳播到光電二極管，并在變形時改變其電阻。在波導的表面上，導電織物附著到外殼的所有四個側(cè)面，這些側(cè)面彼此并聯(lián)電連接（圖1A，頂部）。最后，波導和導電織物層涂有黑色不透明的有機硅層，以防止來自環(huán)境光的光干擾，并物理保護導電織物層和波導（圖1A，底部）。最終原型的整個結(jié)構(gòu)具有正方形橫截面，每邊10毫米，長度70毫米。波導的芯具有圓形橫截面，其直徑為2.5毫米，長度為66毫米，與其包層的長度相同。包層的橫截面為正方形，每邊的長度為6 mm。圖1（B到D）顯示了所建議傳感器的實際原型。

圖1所提出的多功能軟傳感器的設計和傳感機制。（A）軟傳感器設計，具有用于三個不同傳感元件的關(guān)鍵組件。（B）由彈性體包層和RTIL液芯組成的軟光波導。（C）層壓到波導上的導電織物層。（D）建議的軟傳感器的最終原型。（E）三個傳感元件的工作原理：（i）通過軟波導的全內(nèi)反射進行光學傳感（n，折射率），（ii）基于離子運動的RTIL傳感原理，以及（iii）導電原理 基于纖維角度的織物感應。（F）不同變形模式的輸出信號模式：（i）初始（無變形），（ii）拉伸，（iii）彎曲和（iv）壓縮。條的大小是針對不同輸入變形模式的不同信號模式的定性表示。

傳感器特性

單模變形試驗

首先將傳感器從其原始長度（66毫米）拉伸到50％（33毫米）。圖2A顯示了10個測試周期的傳感器數(shù)據(jù)。在原型的三個傳感元件中，光學傳感在最大應變?yōu)?0％時顯示出最高輸出+1.04（dV/V₀）（圖2B）。光學傳感的非線性度為16.25％（圖2C）。在最大應變下，RTIL通道（df/f₀）和導電纖維（dV/V₀）的輸出分別為-0.51和-0.62。

圖2所提出的單模變形軟傳感器的表征結(jié)果。（A）加載/卸載循環(huán)10次的拉伸測試結(jié)果。（B）從拉伸試驗結(jié)果得到的單個循環(huán)的特寫視圖。（C）單個拉伸測試周期的標準化傳感器輸出與應變的關(guān)系。（D）裝卸循環(huán)彎曲測試結(jié)果為10個循環(huán)。（E）來自彎曲測試的單個循環(huán)的特寫視圖。（F）單個彎曲測試相對于曲率的標準化傳感器輸出。（G）裝卸循環(huán)10次的壓縮試驗結(jié)果。（H）壓縮測試中單個循環(huán)的特寫視圖。（I）單一壓縮測試的標準化傳感器輸出與壓力的關(guān)系。

對于彎曲測試，通過使用圖2中的測試設置推動兩端來彎曲傳感器。兩端的支架的自由旋轉(zhuǎn)接頭使傳感器能夠純彎曲。兩端向傳感器中心的位移為25 mm。圖2D中顯示了0到0.05 mm^-1的曲率范圍和10個循環(huán)的結(jié)果。光學傳感顯示最大輸出+2.43（dV/V₀），最大彎曲曲率（κ= 0.05 mm^-1）（圖2E）。光信號的非線性度為26.82％（圖2F），大于拉伸試驗的非線性度。在最大曲率下，RTIL通道（df/f₀）和導電織物層（dV/V₀）的輸出分別為+0.01和-0.23（圖2E）。壓頭通過使傳感器頂面的中間區(qū)域變形最大5 mm的位移來施加0到292 kPa的局部壓力。來自10個壓縮周期的傳感器輸出在圖2G中示出。光學傳感技術(shù)顯示出36.3％的高度非線性，并且具有在大多數(shù)微流體軟傳感器中常見的帶有滯后的指數(shù)加載/卸載回路（圖2I）。在最大壓力為292 kPa時，光學傳感的輸出（dV/V₀）為+5.27（圖2H）。

模變形測試

作者也用多模式輸入對傳感器進行了測試，如圖3所示。每個測試都是通過將兩個或三個變形輸入（即拉伸，彎曲和壓縮）同時應用于傳感器來進行的。

為了同時拉伸和壓縮，首先將傳感器拉伸到其原始長度的50％，然后在拉伸的傳感器的中間施加局部接觸壓力。傳感器的拉伸狀態(tài)在三個傳感元件的輸出信號中產(chǎn)生了偏移。當傳感器被局部壓縮時，光學和RTIL傳感信號顯示出其他變化，而導電織物信號保持不變（圖3A）。

為了同時拉伸和彎曲，將傳感器從旋轉(zhuǎn)接頭的中性軸彎下。傳感器距關(guān)節(jié)中性軸的距離（20毫米）可同時拉伸和彎曲。所有三個傳感元件均顯示出與拉伸測試相似的響應（圖3B）。盡管在此測試中傳感器僅被拉伸至23％，但由于來自傳感器的兩個輸出信號的疊加，光學傳感器的輸出信號的大小幾乎與單模測試中的50％應變一樣大。

圖3結(jié)合變形模式的多功能傳感的表征結(jié)果。（A）拉伸和壓縮。（B）拉伸和彎曲。（C）彎曲和壓縮。（D）拉伸，彎曲和壓縮。

為了同時彎曲和壓縮，首先使傳感器沿旋轉(zhuǎn)接頭的中性軸旋轉(zhuǎn)，然后施加局部接觸壓力。在此測試中，僅光學感測顯示輸出因彎曲而偏移。壓縮后，光學和RTIL感測信號顯示變化，而來自導電織物的信號保持不變（圖3C）。

為了施加所有三個變形的組合輸入，首先將傳感器從旋轉(zhuǎn)接頭的中性軸上彎下，然后施加局部接觸壓力。所有三個傳感信號在輸出中均顯示出偏移，而拉伸和彎曲的組合輸入。當添加壓縮輸入時，光學和RTIL信號顯示出其他變化，而導電織物信號保持不變（圖3D）。

多模變形

因為所有三個變形模式的輸出模式彼此獨立，如圖1和2所示。在圖1F和2中，作者可以解耦組合的變形模式。然而，并非所有傳感器信號都是線性的事實使去耦問題變得復雜，并且不能通過矩陣計算來提供簡單的解決方案。因此，決定使用機器學習技術(shù)對多模變形進行分類。圖5A顯示了八個不同變形狀態(tài)（初始狀態(tài)：無變形，三個單模變形和四個多模變形）的估計結(jié)果。在所有情況下，狀態(tài)估計都是高度準確和可靠的。估計精度始終超過95％（圖5B）。

圖5多功能感應的結(jié)果。（A）使用機器學習對多模式變形的八種不同組合的估計結(jié)果。（B）所有八個變形模式的估計精度。

機器人的可穿戴控制器

通過將傳感器連接到織物腕帶的頂側(cè)，為每個用于檢測兩個腕部的彎曲（拉伸）和偏航旋轉(zhuǎn)（彎曲）的設備，準備了一對可穿戴的傳感設備。閾值評估用于對變形模式進行分類。通過同時拉伸和彎曲傳感器來檢測彎曲，而通過純彎曲來檢測偏航旋轉(zhuǎn)。在每個設備中通過壓縮模式添加時，總共可能有10種組合輸入模式。作者使用了10種可能的模式中的8種來遠程控制帶有機械手的商用機器人手臂，以完成將物體拾取并移動到目標位置的任務。在該系統(tǒng)中，左右手腕的偏航旋轉(zhuǎn)使機器人分別向左（圖6，i）和向右（圖6，iii）移動，并且每個手腕的彎曲都使機器人移動前進或后退。傳感器上的壓縮用于上下移動機器人（圖6，ii和v），通過彎曲（圖6，iv）和伸展（圖6，vi）進行抓握和釋放物體。分別在同一時間手腕。

圖6帶有抓取器的機器人手臂的遠程控制，用于不同的操作任務和相應的傳感器數(shù)據(jù)。使用了兩個可穿戴設備來提供六種不同的輸入模式，這些輸入模式是移動機器人以及拾取和釋放物體所需的：（i）向左移動，（ii）向下移動，（iii）向右移動，（iv）抓手閉合，（ v）向上移動，并且（vi）抓爪打開。

此外，作者實現(xiàn)了另一個可穿戴控制器，該控制器能夠測量肘部角度，以基于校準的光學信號遠程控制跟隨一自由度肘部運動的機械臂，如圖7（i）所示（參見圖7（i））。傳感器能夠估算出佩戴者的肘部角度，而機械臂成功地跟蹤了佩戴者的動作。此外，當將外部觸點應用于傳感器時，系統(tǒng)能夠有效地拒絕它。因此，基于由基于ANN的機器學習算法確定的變形模式，如圖7（iii）所示，機械臂的運動不會受到不需要的輸入信號的干擾。

圖7使用通過光信號校準的肘關(guān)節(jié)運動對商用機械手進行遠程控制。（i）建議在初始狀態(tài)下戴在肘部上的軟傳感器。（ii）肘部彎曲運動后的機械臂。（iii）盡管傳感器已壓縮，但機械手不會改變其位置。

交互式軟機器人操縱器

作者將傳感器安裝到由四個氣動折紙肌肉致動器（POMA）組成的定制多自由度軟機器人手腕上，如圖8A所示。機械手腕能夠通過對一個或兩個POMA加壓來向不同的方向彎曲，并且在同時對所有四個執(zhí)行器加壓時也可以延長其長度。在該系統(tǒng)中，作者將傳感器放置在四個執(zhí)行器的中間，使其與中性軸對齊，以便傳感器可以使用閾值評估來檢測具有不同壓力輸入的機械手的彎曲和伸展。此外，該傳感器能夠檢測施加到機器人的外力，因為柔軟的結(jié)構(gòu)可以將力傳遞給位于內(nèi)部的傳感器。感測測試的結(jié)果如圖8（B到D）所示。

圖8多自由度軟交互機器人。（A）由四個氣動執(zhí)行器和一個軟傳感器組成的機器人的設計。（B到D）通過自驅(qū)動以及人工輸入和相應的傳感器數(shù)據(jù)獲得的不同變形模式。

參見文獻：

Science Robotics  16 Dec 2020:

Vol. 5, Issue 49, eabc6878

DOI: 10.1126/scirobotics.abc6878

版權(quán)聲明：「高分子材料科學」是由專業(yè)博士（后）創(chuàng)辦的非贏利性學術(shù)公眾號，旨在分享學習交流高分子聚合物材料學的研究進展。上述僅代表作者個人觀點且作者水平有限，如有科學不妥之處，請予以下方留言更正。如有侵權(quán)或引文不當請聯(lián)系作者修正。商業(yè)轉(zhuǎn)載請聯(lián)系編輯或頂端注明出處。感謝各位關(guān)注！投稿請加微信號：Poly_Sci，并注明單位姓名。