《模仿人类皮肤层与环层小体的社交交互机器人皮肤》2024 IEEE/ASME TMECH 论文解读
目录
一、引言：为什么需要 “像人一样” 的机器人皮肤？
1. 社交触觉的重要性
2. 现有机器人皮肤的三大痛点
3. 作者的解决方案：仿生设计
二、核心：仿生结构与制作方法
1. 多层织物：模仿人类皮肤的 “表皮 + 真皮”
2. 封装麦克风节点（EMNs）：模仿环层小体
3. 皮肤怎么造出来？
三、验证：这皮肤真的 “像人” 吗？
1. 验证 1：织物的力学性能 —— 摸起来像人的皮肤
2. 验证 2：刺激分散 —— 感受范围大，不用贴满 EMNs
3. 验证 3：EMNs 的灵敏度 —— 能测高频振动，像环层小体
4. 验证 4：鲁棒性 —— 坏几个 EMNs 也能用
四、算法：机器人怎么 “读懂” 触觉？
1. 触摸定位：用被动声学层析成像（PAT）
2. 触摸分类：用 CNN 识别 “触摸方式”
（1）提取特征：把信号变成 “图片”
（2）CNN 分类：像认图片一样认触摸
五、实际演示：皮肤能用在机器人上吗？
1. 装在机械臂上（UR5e）：人机交互
2. 装在大圆柱上：社交机器人场景
六、结论与局限
1. 核心成果
2. 现存局限
3. 未来方向
核心创新点总结
这篇文章来自 2024 年 8 月的《IEEE/ASME Transactions on Mechatronics》（机电领域顶刊），作者团队同样来自韩国 KAIST 和 DGIST。核心是解决 “机器人皮肤难以理解‘社交触觉’” 的问题 —— 让机器人像人一样，通过触摸的 “位置”（比如拍背、打脸）和 “方式”（比如轻拍、敲击），读懂人的情绪或意图（鼓励、不满），而实现这一目标的关键是模仿人类皮肤的结构和环层小体（Pacinian Corpuscle）的感知功能。
一、引言：为什么需要 “像人一样” 的机器人皮肤？
1. 社交触觉的重要性
对人来说，皮肤不仅是 “感知触碰” 的器官，更是 “社交沟通” 的工具：
- 轻拍后背 = 鼓励，用力打脸 = 冒犯；
- 抚摸 = 安慰，敲击 = 提醒。这些 “社交触觉” 的意义，靠的是时空特征——“哪里被摸”（空间位置）和 “怎么摸”（时间模式，比如轻 / 重、快 / 慢）。而机器人要和人自然交互（比如陪伴机器人、协作机器人），也需要读懂这些触觉信号。
2. 现有机器人皮肤的三大痛点
之前的机器人皮肤要么 “不好用”，要么 “用不了”，核心问题集中在三点：
- 传感元件太多：比如贴满小传感器，布线复杂、成本高，还容易坏；
- 感知带宽窄：只能测 “按压力度”，测不了高频振动（比如手指轻挠的振动），而人类皮肤能感知 20-1000Hz 的信号（靠环层小体）；
- 易碎且不灵活：很多皮肤含刚性部件（比如金属电极），碰撞容易坏，还贴不上机器人的曲面（比如机械臂、圆柱状社交机器人）。
3. 作者的解决方案：仿生设计
作者发现，人类皮肤能高效感知社交触觉，靠的是两点：
- 多层结构：表皮（接触外界）、真皮（分散刺激、提供弹性）；
- 环层小体：皮肤深处的 “高频传感器”，虽然分布稀疏，但感受范围大，能捕捉振动。
于是提出仿生机器人皮肤：
- 用 “多层织物” 模仿人类皮肤层（表皮 + 真皮）；
- 用 “封装麦克风节点（EMNs）” 模仿环层小体；
- 再结合算法（被动声学层析成像 + CNN），让少量传感节点就能定位触摸位置、分类触摸方式（图 1：左图是装在机械臂上的皮肤，右图是触觉感知原理 —— 触摸通过织物分散到 EMNs）。
二、核心：仿生结构与制作方法
这部分是文章的 “硬件基础”—— 皮肤的 “身体” 怎么造，怎么模仿人的皮肤。
1. 多层织物：模仿人类皮肤的 “表皮 + 真皮”
人类皮肤的表皮负责 “接触编码”（比如毛发感知轻触），真皮负责 “分散刺激 + 提供弹性”（比如按压后能回弹）。作者用三层织物实现这些功能（图 2 (b)）：
| 织物层 | 模仿人体结构 | 核心功能 |
|---|---|---|
| 环布 - 氯丁橡胶 | 表皮 + 毛发 | 外层是蓬松的尼龙环布（像毛发），内层是氯丁橡胶（像表皮）；触摸时能 “编码” 触觉（比如轻挠的振动），还能回弹。 |
| 空气网（Airmesh） | 真皮纤维网络 | 聚酯材料，两层蜂窝结构用 140 根 / 平方厘米的纤维连接；像真皮一样有弹性、能拉伸，还能 “分散刺激”—— 比如按一个点，刺激会扩散到周围，让远处的 EMN 也能感知（扩大感受范围）。 |
2. 封装麦克风节点（EMNs）：模仿环层小体
环层小体的特点是 “深、少、灵”—— 在皮肤深处，数量少，但对 20-1000Hz 的高频振动敏感。作者用 “封装麦克风” 模仿它（图 2 (c)）：
- 核心元件：电容麦克风（原本测声音，改装后测振动）；
- 封装结构：麦克风外面套一个硅胶穹顶（Dragon Skin 20），形成 “空气腔”；
- 仿生原理：硅胶穹顶像环层小体的 “同心层”，能把触摸产生的 “结构振动”（比如手指敲击的振动）转化为空气腔的压力变化，再传给麦克风；同时隔绝外界声音噪声，只对触摸振动敏感。
这样改造后，EMNs 就能像环层小体一样：对高频振动敏感，感受范围大（不用贴满，少量就能覆盖大面积）。
3. 皮肤怎么造出来？
制作流程很简单，普通人用基础工具也能复现，核心是 “激光切割 + 粘贴”：
- 做底座：用亚克力板（或塑料、木头）做刚性底座，激光切 16 个孔（4×4 阵列，孔间距 75mm），用来装 EMNs；
- 装麦克风：3D 打印硅胶环，把麦克风固定在环里，再用环氧树脂粘到底座的孔里；
- 封硅胶穹顶：用 3D 打印模具做硅胶穹顶，粘在麦克风上，形成 EMN；
- 贴织物：先贴空气网（用喷雾胶），再贴环布 - 氯丁橡胶（氯丁橡胶面朝下贴空气网）；
- 接线：麦克风线从底座下方引出（避免裸露，防碰撞）。
最终皮肤厚 13mm，密度 0.14g/cm²（比之前用水凝胶的皮肤轻 10 倍，还不脱水）。
三、验证：这皮肤真的 “像人” 吗？
光说仿生不够，作者做了 4 组实验，证明皮肤的性能和人类皮肤接近，且能稳定工作。
1. 验证 1：织物的力学性能 —— 摸起来像人的皮肤
人类皮肤的特点是 “软且有弹性”（比如按压后能慢慢回弹，即 “粘弹性”）。作者用拉力试验机测织物的力学性能（图 4 (a)）：
按压曲线（图 5 (a)）：不同按压速度下，力和深度的关系和人类皮肤一致 —— 按得越快，瞬间力越大，但回弹后能恢复；
力学滞后（图 5 (b)）：按压和回弹的力差（滞后）在 “人类眼眶皮肤” 的范围内（眼眶皮肤较薄，弹性接近机器人皮肤的需求）；
拉伸性能（图 5 (c)）：能拉伸到原长的 1.8 倍才分层，说明贴在机器人曲面上不会扯坏。
通俗说：这皮肤摸起来的 “软硬度”“弹性” 和人的皮肤差不多，不会一按就塌，也不会一拉就破。
2. 验证 2：刺激分散 —— 感受范围大，不用贴满 EMNs
人类环层小体虽然少，但感受范围大（比如一个环层小体能覆盖几厘米），靠的是真皮分散刺激。作者用 “敲击实验” 验证这一点（图 4 (b)(c)）:
在皮肤表面按 16×16 网格点（共 256 个点）敲击，测每个 EMN 的信噪比（SNR）；
结果（图 6）：SNR 随距离增加而降低，但即使距离 EMN20cm，SNR 仍能满足检测需求；感受范围达 178mm（比 EMNs 的间距 75mm 大很多），且多个 EMNs 的感受范围会重叠。
这意味着：只需要少量 EMNs（比如 16 个），就能覆盖整个皮肤 —— 解决了 “传感元件太多” 的痛点。
3. 验证 3：EMNs 的灵敏度 —— 能测高频振动，像环层小体
环层小体的核心能力是 “感知 20-1000Hz 的高频振动”。作者对比 “封装” 和 “未封装” 麦克风的频率响应（图 7）：
- 未封装麦克风：只能测 50Hz 以上的信号，低频（20-50Hz）测不到；
- 封装后的 EMNs：能测 20-1000Hz 的信号，刚好覆盖环层小体的感知范围，且信噪比更高（信号更清晰）。
通俗说：EMNs 能捕捉到手指轻挠（~50Hz）、手机振动（~200Hz）这类高频信号，而普通麦克风做不到。
4. 验证 4：鲁棒性 —— 坏几个 EMNs 也能用
机器人皮肤难免碰撞，EMNs 可能坏。作者模拟 “EMN 失效”（故意让 1-4 个 EMN 无信号），看定位误差变化（图 8）：
- 无失效：定位误差 1.8cm；
- 坏 1 个：误差 1.96cm（只增加 7.4%）；
- 坏 4 个：误差 2.48cm（增加 36.2%），仍小于人类躯干的触觉分辨精度（2-3cm）。
这说明皮肤很 “抗造”，即使部分 EMNs 坏了，也不影响基本感知。
四、算法：机器人怎么 “读懂” 触觉？
有了硬件基础，还需要算法让机器人 “理解”：“哪里被摸了”（定位）、“怎么摸的”（分类）。
1. 触摸定位：用被动声学层析成像（PAT）
人类能靠两只耳朵判断声音来源，机器人皮肤靠 “多个 EMNs 测信号强度” 定位触摸位置（图 1 (b)）：
- 原理：触摸产生的振动会向四周扩散，距离越近的 EMN，信号越强；
- 算法步骤：
- 每个 EMN 测到信号强度\(I_i\)；
- 根据公式\(I_i = I_0 \times \frac{a}{r_i^2 + b}\)（\(r_i\)是 EMN 到触摸点的距离），反推触摸点位置；
- 最小化 “不同 EMN 计算出的位置误差”，得到最终定位。
- 结果：256 个触摸点的定位误差均值 1.8cm，比人类躯干的触觉精度（2-3cm）还高。
2. 触摸分类：用 CNN 识别 “触摸方式”
人类能区分 “轻拍” 和 “敲击”，靠的是触摸的 “时空特征”（比如轻拍快且弱，敲击重且慢）。作者用 CNN 提取这些特征，分 9 类（8 种社交触摸 + 无接触）：
（1）提取特征：把信号变成 “图片”
触摸信号太抽象，先做成两种 “特征图”（图 9 (a)）：
- 强度图：所有 EMNs 的信号强度随时间变化（比如轻拍时强度突然升高又下降）；
- 频谱图：选信号最强的 EMN（离触摸点最近），做 “频率 - 时间” 图（比如挠痒的高频信号多，按压的低频信号多）。
（2）CNN 分类：像认图片一样认触摸
CNN 擅长处理图片，作者把两种特征图当 “双输入图片”，训练网络分类：
- 网络结构：2 层卷积（提取局部特征）→池化（压缩数据）→全连接层（综合特征）→Softmax（输出 9 类概率）；
- 数据集：4 个人按 8 种方式触摸皮肤，收集 1000 组训练数据，加噪声增强到 72 万组；
- 结果：分类准确率 93.3%，远高于只用强度图（89.5%）或频谱图（83.1%）的情况。
8 种触摸方式的特征很清晰：比如 “敲击（Hit）” 强度大、带宽窄；“挠痒（Tickle）” 强度弱、频率不规则。
五、实际演示：皮肤能用在机器人上吗？
作者做了两个关键演示，证明皮肤的 “实用性”—— 不是实验室玩具，能装在真实机器人上。
1. 装在机械臂上（UR5e）：人机交互
把皮肤装在 UR5e 机械臂的圆柱关节上（30 个 EMNs，密度 406 个 /m²），让机械臂 “边干活边响应触摸”：
- 机械臂正常任务：反复拾取物体；
- 触摸响应：拍一下机械臂→机械臂暂停 3 秒；敲一下→加速；
- 噪声测试：机械臂运动时会产生振动噪声，但速度≤0.1π rad/s 时，噪声不影响 EMN 信号，触摸识别仍准确。
2. 装在大圆柱上：社交机器人场景
社交机器人（比如 NAO）多是圆柱状，作者做了一个直径 250mm、高 570mm 的圆柱（和 NAO 大小相近），只装 30 个 EMNs（密度 67 个 /m²，比机械臂上稀疏）：
- 演示效果（图 13 (b)）：能实时定位触摸位置（显示轨迹）、分类触摸方式（比如轻拍、挠痒）；
- 关键意义：证明皮肤能 “大面积扩展”—— 不用增加太多 EMNs，就能覆盖社交机器人的曲面。
六、结论与局限
1. 核心成果
这篇文章做出了一款 “能理解社交触觉” 的机器人皮肤，解决了三个关键问题：
- 少节点覆盖大面积：靠空气网的刺激分散和 EMNs 的大感受野，少量节点就能用；
- 宽带宽感知：EMNs 覆盖 20-1000Hz，能测人类皮肤能感知的振动；
- 灵活抗造：全柔性织物 + 无裸露部件，能贴曲面、抗碰撞。
2. 现存局限
虽然好用，但还有改进空间：
- 测不了静态力：比如 “按住不动” 的压力，因为麦克风只能测振动，不能测静态形变；
- 不能多触点：目前只能识别 “一个点触摸”，没法区分 “同时按两个点”；
- 拉伸性有限：织物能弯曲，但拉伸太多会分层，贴不了机器人的尖锐曲面（比如手指关节）。
3. 未来方向
- 改进材料：让皮肤更有拉伸性；
- 升级算法：支持多触点识别；
- 增加传感器：结合压力传感器，测静态力。
核心创新点总结
- 仿生设计创新：首次用 “多层织物 + 封装麦克风” 分别模仿人类皮肤层和环层小体，从结构到功能都贴近人体，解决了带宽窄、不灵活的问题；
- 传感效率创新：靠空气网的刺激分散和 EMNs 的大感受野，实现 “少节点覆盖大面积”（67 个 /m² 就能用），避免了元件过多的问题；
- 算法融合创新：用 PAT 定位（精度 1.8cm）+ 双特征 CNN 分类（准确率 93.3%），让机器人能同时 “知其位、知其类”，读懂社交触觉；
- 实用性创新：全柔性、无裸露部件，能装在机械臂和社交机器人上，还能抗 EMN 失效，满足实际交互需求。