類皮膚柔性傳感器在醫療保健和人機交互中發揮著至關重要的作用。然而，一般目標集中在追求類皮膚傳感器本身固有的靜態和動態性能，同時伴隨著各種試錯嘗試。這種前瞻性策略使傳感器的設計幾乎脫離了實際應用。

據麥姆斯咨詢報道，近日，浙江大學楊賡、徐凱臣研究團隊開發了一種機器學習（ML）指導的柔性觸覺傳感器系統設計，該系統能夠在六種動態觸摸模式下實現高分類精度（≈99.58%）的觸覺感知。與直覺驅動的傳感器設計不同，這種機器學習指導的性能優化是通過引入基于支持向量機（SVM）的機器學習算法以及用于制造參數選擇的特定統計標準來挖掘深藏在原始傳感數據中的特征而實現的。這種逆向設計將統計學習標準融入到傳感硬件的設計階段，彌補了器件結構和算法之間的差距。相關研究成果以“Machine Learning-Enabled Tactile Sensor Design for Dynamic Touch Decoding”為題發表在Advanced Science期刊上。

在所提出的機器學習輔助傳感器設計中，選擇了一組與接觸滑動模式下基于摩擦電納米發電機（TENG）的觸覺傳感性能相關的參數作為初始優化目標，包括讀出信號的類型（如電流和電壓）、電極的分布、形狀和微結構的密度。通過手指皮膚在傳感器上執行六種動態觸摸模式，包括按壓、拍打、向上、向下、向左和向右滑動。這些多向相互作用被選擇用于目標任務，以評估每個制造參數。與一般直覺驅動的傳感器設計不同，這項工作提供了一種數據驅動的方法來優化目標應用的制造參數，這將器件設計和算法緊密聯系起來。

基于制造參數優化的機器學習輔助傳感器設計示意圖

這種基于TENG的觸覺傳感器由四層組成，包括頂部和底部聚二甲基硅氧烷（PDMS）封裝、叉指型激光誘導石墨烯（LIG）電極和聚全氟乙丙烯（FEP）膜。當手指接觸PDMS表面時，由于不同的電子親和力，人類皮膚帶正電。基于靜電感應原理，帶電手指的水平滑動會在兩個LIG電極之間產生感應電流的電子轉移。在這種情況下，LIG電極的叉指型設計允許梯度電子轉移，即感應電流正負交替，以平衡兩個電極之間的電勢差。這種機制有效地將與動態觸摸模態相關的信息整合到原始數據中。

基于TENG的觸覺傳感器特性

為了提高基于TENG的觸覺傳感器的性能，研究人員開發了一套評估標準，并應用于選擇所需的輸出信號類型和優化制造參數。評估后，選擇基于電壓的信號作為傳感器輸出。同時，稀疏分布的電極對和間隔較小的指紋狀微結構有助于提高傳感器的性能。研究人員展示了在六種觸摸模式下具有優化參數的傳感器的輸出，通過調諧的線性SVM分類器實現了99.58%的高分類準確率。

基于機器學習方法的制造參數優化

為了模仿人類皮膚卓越的觸覺行為，所提出的觸覺傳感器被集成到機器人手指上進行盲文識別。通過添加機器學習算法，機器人-傳感器系統在傳感、提取、計算和解碼信息的閉環中工作。由于卷積神經網絡（CNN）強大的非線性擬合能力，平均分類準確率達到96.12%。根據實驗結果可以看出，大多數盲文數字的分類準確率都超過95%（例如數字1、2、4、5、6、7、9），而在數字0、3、8的分類準確率較低。這種微小的性能差異可能是由于在數據采集過程中機械手的力控制精度和重復精度造成的。

通過在機器人手指上集成觸覺傳感器實現多點接觸的動態解碼反饋

總而言之，研究人員開發了一種基于TENG的柔性觸覺傳感器，該傳感器可以在輸出信號選擇和制造參數優化方面實現機器學習輔助的器件設計。在設定評價標準后，通過對六種接觸模式的統計分析，對輸出信號的參數值、電極的分布密度以及不同的表面微觀結構進行比較和選擇。基于制造參數和機器學習協同設計觸覺性能的綜合評價，獲得了≈99.58%的分類準確率，高于參數優化前的分類準確率（≈95.579%）。鑒于最佳的觸覺傳感性能，該觸覺傳感器被成功地應用于各種英文字母和句子的手寫識別。

此外，通過應用定制的CNN模型提取特征并評估決策邊界，10個盲文數字的分類準確率達到96.12%。為了模仿人類的感知反饋，一只配置觸覺傳感器的智能機械手完成了11位盲文電話號碼的動態識別任務。這項工作為基于逆向設計策略有目的地構建傳感器提供了指導，對直覺驅動的傳感器設計提出了挑戰。

審核編輯：劉清