简介

试想一下，戴着厚重僵硬的防寒手套，试图盲目地从口袋里摸索出一把特定的钥匙，或者将橡皮筋缠绕在一个小盒子上。即使你的肌肉知道该怎么动，但由于缺乏触觉反馈，这些任务几乎不可能完成。你依赖手指指尖、侧面和背面的细微压力来感知物体的位置及其动态。

对于机器人来说，这种“厚手套”问题却是常态。尽管得益于计算机视觉，机器人操作已经突飞猛进，但触觉感知 (tactile sensing) 却相对滞后。大多数机器人夹持器是刚性的，现有的触觉传感器通常是扁平、昂贵的垫片，只能覆盖很小的“指尖”区域。它们缺乏包裹弯曲机器人手指的贴合性 (conformability) , 也缺乏检测手部侧面或背面接触的覆盖范围 (coverage) 。

在最近的一篇论文中，来自斯坦福大学和阿拉巴马大学伯明翰分校的研究人员推出了 DexSkin , 这是一个旨在填补这一空白的解决方案。DexSkin 是一种柔软、可拉伸且贴合的触觉皮肤，为机器人手指提供了高覆盖率的感知能力。它成本低廉、耐用，且最重要的是，对于现代人工智能而言，它提供的数据足够一致，可用于强化学习和模仿学习框架。

在这篇深度文章中，我们将探索 DexSkin 是如何构建的，它如何解决“全方位感知”的独特挑战，以及它如何使机器人能够处理脆弱的蓝莓并执行转笔和包装盒子等复杂任务。

机器人触觉的挑战

要理解 DexSkin 的重要性，我们首先需要看看当前触觉传感器的局限性。广义上讲，机器人触觉分为几类:

1. 基于视觉的传感器 (例如 GelSight) : 这些传感器使用摄像头从内部观察橡胶块。它们提供极高的分辨率，但体积庞大，通常仅限于平面或微曲表面。你无法轻易将基于摄像头的传感器包裹在细长的手指周围。
2. 磁性传感器: 这些传感器检测由表面变形引起的磁场变化。虽然它们正在变得更好，但往往难以分辨多个同时存在的接触点。
3. 电阻/电容传感器: 这些传感器测量受压时的电阻或电容变化。虽然很常见，但要制造出柔软、可拉伸且能无缝包裹 3D 几何形状 (如半球形指尖) 而没有盲点的版本，一直是一个巨大的制造障碍。

缺乏覆盖范围是一个关键的故障点。如果机器人试图在手中调整一支笔的方向，笔可能会滚出传感器垫片并接触到手指的塑料外壳。在那一刻，机器人对物体就“失明”了，这通常会导致物体掉落。此外，对于基于学习的机器人技术 (机器人从数据中学习) ，传感器必须坚固且可更换。如果一个传感器磨损并被更换，新传感器的行为必须与旧的完全一致，否则机器人的“大脑”需要从头开始重新训练。

DexSkin 框架

DexSkin 通过新颖的制造工艺和巧妙的设计解决了这些挑战，该设计允许 2D 传感器图案完美地包裹在 3D 手指周围。

1. 软皮肤的解剖结构

DexSkin 利用了电容传感机制。电容传感器就像三明治: 两个导电板 (电极) 被柔软的绝缘材料 (介电层) 隔开。当你按压皮肤时，介电层被压缩，极板靠得更近，电容随之改变。

这里的创新在于材料和几何形状:

• 材料: 传感器由 SEBS (苯乙烯-乙烯-丁烯-苯乙烯) 制成，这是一种高度可拉伸且耐用的热塑性弹性体。这使得皮肤可以在数千次变形和恢复中不破裂。
• 花瓣设计: 为了使用平面的材料片覆盖半球形指尖 (复合曲面) ，研究人员对电极采用了“花瓣”设计。

如上图所示，电极图案看起来像一朵花。当折叠到 3D 打印的手指核心上时，这些“花瓣”聚拢形成一个无缝的圆顶。这消除了在试图将平面传感器包裹在圆形物体上时通常会出现的褶皱和间隙。

2. 集成与电子器件

DexSkin 系统不仅仅是橡胶皮肤；它是一个完全集成的硬件堆栈。传感器化的手指由用于保持稳定性的刚性核心、用于提供顺应性 (柔软度) 的软套筒以及顶部的电极层组成。

其结果是一个拥有 120 个可独立寻址触觉像素 (taxels) 的机器人手指。

• 圆顶: 指尖有 12 个触觉像素，使其能够在最尖端感知精细操作。
• 圆柱体: 手指主体有 48 个触觉像素，包裹了圆周的 294°。这意味着机器人可以感觉到物体接触手指的侧面和背面——这对于使用工具或穿线松紧带等任务至关重要。

信号由安装在机器人手腕上的定制印刷电路板 (PCB) 读取。该电路板将微小的电容变化转换为机器人计算机可以以 30 Hz 的频率处理的数字信号。

3. 传感器特性

为了使传感器在机器人技术中有用，它必须是一致的。研究人员对 DexSkin 进行了严格的测试，以确保其行为可预测。

• 线性度和范围: 传感器可以检测从轻柔触摸 (1.7 kPa) 到紧握 (超过 700 kPa) 的压力。
• 迟滞 (Hysteresis) : 软传感器通常会受到迟滞的影响，即读数滞后于压力的物理释放。DexSkin 显示出极低的迟滞 (~6.5%)，这意味着它能对松开物体做出快速而准确的反应。
• 稳定性: 即使经过 500 次按压和释放循环，传感器的基线也没有明显漂移。

最令人印象深刻的功能之一是触觉像素的隔离。在许多软传感器中，按压一个点会导致附近点出现“幽灵”读数 (串扰) 。DexSkin 最大限度地减少了这种情况，使机器人能够区分一个宽接触和两个不同的尖锐接触。

使用的串扰公式 (如下所示) 证实干扰保持在 3% 以下，确保了接触的精确也定位。

\[ \mathrm { C r o s s t a l k \ } ( \% ) = \left( \frac { \operatorname* { m a x } { P _ { j } } } { \mathcal { P } _ { i } } \right) \times 1 0 0 \% \]

学习接触丰富的操作

对传感器的真正考验不是它在测试台上的表现，而是它允许机器人做什么。研究人员将 DexSkin 集成到 Franka Panda 机器人上，并使用模仿学习 (通过向机器人展示示例来教学) 来解决困难的操作任务。

任务 1: 手中笔重定向

目标: 拿起放在桌子上的笔，在手中旋转直到笔直立，准备书写。 挑战: 这需要受控的滑动和重新抓取。如果机器人失去了对笔方向的跟踪，任务就会失败。 转折: 人类通过戳笔来干扰机器人，迫使机器人进行恢复。

结果: 配备 DexSkin 的机器人实现了 95% 的成功率 , 即使受到干扰也是如此。

• 无触觉基线: 受到干扰时完全失败。它只是盲目地执行轨迹。
• 空间池化基线: 如果研究人员平均化触觉数据 (模拟低分辨率传感器) ，机器人无法有效反应，因为它无法分辨笔接触手指的具体位置。
• DexSkin: 高覆盖率使得机器人能够“感觉”到笔在指尖滚动并滑向手指侧面，从而允许它动态调整抓握。

任务 2: 使用橡皮筋包装盒子

目标: 拿起橡皮筋并将其缠绕在一个小盒子上。 挑战: 对于标准夹持器来说，这简直是噩梦。为了拉伸橡皮筋，它必须缠绕在手指的背面 (背侧) 。标准传感器只有内侧有垫片。此外，机器人被给予了“穿孔”的橡皮筋，如果拉伸就会断裂；它必须感觉到张力的差异并丢弃坏的橡皮筋。

结果:

• DexSkin: 机器人成功识别出脆弱的橡皮筋 (通过感知张力不足) 并将其丢弃。对于好的橡皮筋，它利用手指侧面和背面的传感器来保持拉伸而不打滑。
• 有限覆盖基线: 仅使用手指内侧传感器的策略失败率很高，因为一旦橡皮筋缠绕到夹持器外部，它就失去了对橡皮筋的跟踪。

如下表所示，DexSkin 是唯一能够持续选择正确橡皮筋并完成包装过程的配置。

任务 3: 采摘脆弱浆果 (强化学习)

目标: 拿起一颗新鲜蓝莓并移动它而不将其压碎。 挑战: 蓝莓柔软且易变。硬编码的抓取力会压扁它们。机器人需要通过试错 (强化学习) 来学习“温柔”。

方法: 团队使用了一种称为残差强化学习 (Residual RL) 的技术。他们从一个基本的策略 (通过模仿训练) 开始，该策略可以拿起物体但很笨拙 (经常压碎浆果) 。然后，他们训练了一个“残差”策略——一个小型神经网络，它根据触觉反馈微调主策略的动作。

奖励函数惩罚 DexSkin 检测到的高作用力:

\[ r _ { f o r c e } = \| \operatorname* { m a x } ( 0 , t - t _ { t h r e s h } ) \| _ { 2 } ^ { 2 } \]

结果: 系统学会了以恰到好处的力度抓取浆果，与基线策略相比，显著减少了损坏。

校准突破: 通过迁移解决难题

机器人皮肤的最大障碍之一是制造变异性 。 如果你手工制造两个传感器，它们会有细微的差别。如果你在传感器 A 上训练神经网络，当你插入传感器 B 时，它通常会失效。

DexSkin 通过快速校准过程解决了这个问题。研究人员设计了一个气动腔室，可以充气以在整个手指上施加均匀的压力。

通过记录新传感器在这个腔室中的响应，他们可以通过数学方法将其读数映射到 AI 训练所用的“源”传感器相匹配。

\[ C _ { 2 } = \frac { C _ { 0 , 2 } } { b _ { 2 } } \ln \left( \frac { a _ { 1 } \exp \left( b _ { 1 } \frac { C _ { 1 } - C _ { 0 , 1 } } { C _ { 0 , 1 } } \right) + d _ { 1 } - d _ { 2 } } { a _ { 2 } } \right) + C _ { 0 , 2 } \]

这种校准只需要几分钟，但节省了重新训练机器人所需的数小时或数天时间。实验表明，经过校准的替换传感器表现几乎与原始传感器一样好，实现了模型可迁移性——这是在现实世界中部署机器人的“圣杯”级功能。

结论与未来展望

DexSkin 代表了机器人操作领域向前迈出的重要一步。通过创造一种廉价、贴合、高分辨率且易于校准的传感器，研究人员消除了许多让机器人显得“笨拙”的硬件障碍。

这项工作的主要收获:

1. 贴合性为王: 能够将传感器包裹在复杂的 3D 形状周围，开启了依赖手指侧面和背面进行操作的新策略。
2. 数据质量至关重要: 高质量、隔离的触觉像素数据允许精确控制以及有效的仿真到现实 (Sim-to-Real) 或传感器到传感器 (Sensor-to-Sensor) 的迁移。
3. 柔软带来鲁棒性: 与容易破碎的刚性传感器不同，软皮肤可以吸收冲击并在强化学习的残酷碰撞中生存下来。

作者指出，虽然他们专注于双指夹持器，但该技术是可扩展的。我们可以想象未来的机器人拥有覆盖整个多指人形手的 DexSkin，最终赋予它们在非结构化世界中导航所需的触觉。

这项研究让我们远离只会盲目执行坐标的机器人，迈向能够像我们一样感知、反应和适应的机器人。

---