软体机器人由于其固有的柔软性，被认为是弥合机器和生物体之间差距的有希望的候选者。作为可以容纳多模态传感器甚至是传感器阵列的综合平台，电子皮肤技术是增强软体机器人能力的有效策略。然而，目前电子皮肤的研究主要涉及外部刺激的感知（外体感知），鲜有研究关注软体机器人形状的实时监测（本体感知）。因此，开发出能够重建形状并同时对周围环境做出反应的电子皮肤，对于软体机器人功能的多样化具有重要意义。
中国科学院北京纳米能源与系统研究所王中林院士、唐伟研究员等人提出了一种基于差分压电矩阵的形状感应电子皮肤（SSES），其能通过集成机器学习技术来获得具有本体感知和外体感知能力的软体机器人。基于SSES收集到的数据，软体机器人能在爬行过程中重建表面构象，精度达到0.0025°，响应时间36 ms，并兼容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，作者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。例如，软体机器人可以识别各种地形或障碍物，从而展现出先进的人工智能。这项工作为增强和多样化软机器人实际应用的能力提供一种通用方法。该研究以题为“Machine-learning assisted electronic skins capable of proprioception and exteroception in soft robotics”的论文发表在《Advanced Materials》上。
【SSES的结构和性能】
SSES采用分层结构，相对于导电织物层呈现镜像对称。该层还作为公共接地电极，两侧放置两个压电传感单元。每个单元由夹在两个Ag电极之间的PVDF薄膜组成，最后整个器件由最外层的硅层封装。作者采用差分方法来最大程度地减少传感过程中的干扰。夹层结构的另一个显着优点是其信号幅度的明显改善，与单层结构相比，其峰值高14倍。SSES的极限分辨率可以达到0.0025°，并且可以通过采用更灵敏的信号采集系统或开发具有更高压电特性的材料来进一步提高。此外，SSES还展示了快速响应特性（36 ms）、长周期稳定性以及对其他常见影响的鲁棒性，这些优点确保了它在软机器人领域的广泛应用。
软体机器人四肢弯曲状态的变化不仅引入了构象的变化，而且表明它们与周围环境的物理相互作用。作者通过SSES收集的数据来感知周围的环境。首先，集成SSES的软体机器人在五个不同的地形上爬行。然后，对SSES收集的信号进行统计分析，并与光学图像的差异进行比较。尽管软体机器人在爬行过程中的五个轮廓总体上呈现出相似的形状，但逐帧光学图像显示，在爬行过程中四个肢体存在角度差异。这可以解释为表面粗糙度越大，抵抗机器人弯曲变形的摩擦力越高。此外，这种现象得到了爬行速度差异的支持，其中在A4纸上获得最快的爬行速度，而在软橡胶或砂纸上的速度要慢得多。爬行过程中的这些细节差异使作者能够开发出一种基于SSES的快速可靠的策略来识别不同的地形。作者采用机器学习技术来进一步利用SSES获取的数据实现软体机器人的环境意识。通过一系列统计数据结合机器学习技术，软体机器人可以识别出五种不同粗糙度值的地形，准确率高达98.0%。与地形的粗糙度类似，不同的重量载荷、倾斜度和障碍物会引起传感信号的相应变化，这意味着使用机器学习来识别这些参数是可行的。结果表明，软体机器人可以识别上坡或下坡方向坡度为10°的道路，准确率为 97.8%；可以识别道路上障碍物的位置；可以识别所携带物品的数量。此外，为了探索对环境的综合感知，作者在识别测试中混合了所有20种地形/障碍物/负载条件。结果显示总体准确率为98.2%。且使用深度神经网络或增加数据丰富度以获得更多关于环境的信息有望进一步改进该模型。总结：作者开发了一种形状感应电子皮肤（SSES）来感应软体机器人在运行过程中的动态状态。具体而言，作者首先开发了一种通用策略，用于根据SSES获得的数据重建软体机器人的表面构象，从而实现软体机器人的本体感受能力。此外，作者引入机器学习技术来分析SSES生成的数据，以识别不同的地形和障碍物，从而赋予软体机器人外部感受能力和初级智能。这项工作为软体机器人有效地获取自身状态并以复杂的方式与环境交互奠定了基础。--纤维素推荐--
https://onlinelibrary.wiley.com/doi/10.1002/adma.202211385声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
