【科研摘要】
为了提高机器人对周围环境和人类的适应性，对软机器人进行了研究，以实现更有效，更安全的协作和交互。为了提高机器人的适应性，已经通过实现不同的感测机制来积极地开发软传感器，例如，检测电特性[例如，电阻和电容]或光学特性[例如，光强度和波长]。可以通过组合不同类型的材料来制造这些软传感器，这些材料包括液体（例如，离子液体和液态金属），纳米材料（例如，碳纳米管）和金或银纳米线]，导电织物以及光学或光电材料（例如， 光电二极管，发光二极管（LED）和波导]。它们在检测机器人的部分或整个身体的不同类型的物理刺激中起着至关重要的作用，类似于生物学中的机械感受器或本体感受器。
类似于生物学中的机械感受器或本体感受器，软传感器在检测机器人的部分或整个身体的不同类型的物理刺激中起着至关重要的作用。由于在有限的空间中组合多个传感机构的限制，当前大多数具有紧凑形状因数的软传感器一次只能检测到一个变形模式。但是，在不增加其原始形状系数的情况下在软传感器中实现多种模式是有益的，因为即使对机器人的单个输入刺激也可能导致多种变形模式的组合。
【科研摘要】
最近，国立首尔大学Yong-Lae Park教授团队报告了一种多功能的软传感器，该传感器能够以紧凑的形式将拉伸，弯曲和压缩的组合变形模式解耦，以及检测单个变形模式。相关论文Heterogeneous sensing in a multifunctional soft sensor for human-robot interfaces发表在《Science Robotics》上。提出的传感器的关键使能设计功能是异类传感机制的组合：光学，微流体和压阻传感。通过实现简单的阈值评估算法和基于人工神经网络的机器学习技术，来表征变形模式的检测和解耦性能。所提出的软传感器能够估计八种不同的变形模式，其准确度高于95％。最后展示了所提出的传感器作为人机界面方法的潜力，并列举了几个突出其多功能性的应用实例。
传感结构设计
拟议中的传感器的设计使用异类传感机制，通过三种不同的传感元件来检测光强度和电阻的变化，这些传感元件封装在一个软传感器中，如图1A所示：集成有LED和光电二极管的光波导，微流控通道，其填充有室温离子液体（RTIL）和导电织物层。为了将所有元素集成到单个传感器中，首先将一个装有RTIL的圆柱状流体通道定位在传感器的中心，并与中性轴对齐。一个柔软的硅树脂外壳封装了该通道，通道的两端分别装有一个LED和一个光电二极管（图1A，顶部）。充满液体的通道起着波导的作用，来自LED的光通过该通道传播到光电二极管，并在变形时改变其电阻。在波导的表面上，导电织物附着到外壳的所有四个侧面，这些侧面彼此并联电连接（图1A，顶部）。最后，波导和导电织物层涂有黑色不透明的有机硅层，以防止来自环境光的光干扰，并物理保护导电织物层和波导（图1A，底部）。最终原型的整个结构具有正方形横截面，每边10毫米，长度70毫米。波导的芯具有圆形横截面，其直径为2.5毫米，长度为66毫米，与其包层的长度相同。包层的横截面为正方形，每边的长度为6 mm。图1（B到D）显示了所建议传感器的实际原型。
图1所提出的多功能软传感器的设计和传感机制。（A）软传感器设计，具有用于三个不同传感元件的关键组件。（B）由弹性体包层和RTIL液芯组成的软光波导。（C）层压到波导上的导电织物层。（D）建议的软传感器的最终原型。（E）三个传感元件的工作原理：（i）通过软波导的全内反射进行光学传感（n，折射率），（ii）基于离子运动的RTIL传感原理，以及（iii）导电原理 基于纤维角度的织物感应。（F）不同变形模式的输出信号模式：（i）初始（无变形），（ii）拉伸，（iii）弯曲和（iv）压缩。条的大小是针对不同输入变形模式的不同信号模式的定性表示。
传感器特性
单模变形试验
首先将传感器从其原始长度（66毫米）拉伸到50％（33毫米）。图2A显示了10个测试周期的传感器数据。在原型的三个传感元件中，光学传感在最大应变为50％时显示出最高输出+1.04（dV/V0）（图2B）。光学传感的非线性度为16.25％（图2C）。在最大应变下，RTIL通道（df/f0）和导电纤维（dV/V0）的输出分别为-0.51和-0.62。
图2所提出的单模变形软传感器的表征结果。（A）加载/卸载循环10次的拉伸测试结果。（B）从拉伸试验结果得到的单个循环的特写视图。（C）单个拉伸测试周期的标准化传感器输出与应变的关系。（D）装卸循环弯曲测试结果为10个循环。（E）来自弯曲测试的单个循环的特写视图。（F）单个弯曲测试相对于曲率的标准化传感器输出。（G）装卸循环10次的压缩试验结果。（H）压缩测试中单个循环的特写视图。（I）单一压缩测试的标准化传感器输出与压力的关系。
对于弯曲测试，通过使用图2中的测试设置推动两端来弯曲传感器。两端的支架的自由旋转接头使传感器能够纯弯曲。两端向传感器中心的位移为25 mm。图2D中显示了0到0.05 mm-1的曲率范围和10个循环的结果。光学传感显示最大输出+2.43（dV/V0），最大弯曲曲率（κ= 0.05 mm-1）（图2E）。光信号的非线性度为26.82％（图2F），大于拉伸试验的非线性度。在最大曲率下，RTIL通道（df/f0）和导电织物层（dV/V0）的输出分别为+0.01和-0.23（图2E）。压头通过使传感器顶面的中间区域变形最大5 mm的位移来施加0到292 kPa的局部压力。来自10个压缩周期的传感器输出在图2G中示出。光学传感技术显示出36.3％的高度非线性，并且具有在大多数微流体软传感器中常见的带有滞后的指数加载/卸载回路（图2I）。在最大压力为292 kPa时，光学传感的输出（dV/V0）为+5.27（图2H）。
模变形测试
作者也用多模式输入对传感器进行了测试，如图3所示。每个测试都是通过将两个或三个变形输入（即拉伸，弯曲和压缩）同时应用于传感器来进行的。
为了同时拉伸和压缩，首先将传感器拉伸到其原始长度的50％，然后在拉伸的传感器的中间施加局部接触压力。传感器的拉伸状态在三个传感元件的输出信号中产生了偏移。当传感器被局部压缩时，光学和RTIL传感信号显示出其他变化，而导电织物信号保持不变（图3A）。
为了同时拉伸和弯曲，将传感器从旋转接头的中性轴弯下。传感器距关节中性轴的距离（20毫米）可同时拉伸和弯曲。所有三个传感元件均显示出与拉伸测试相似的响应（图3B）。尽管在此测试中传感器仅被拉伸至23％，但由于来自传感器的两个输出信号的叠加，光学传感器的输出信号的大小几乎与单模测试中的50％应变一样大。
图3结合变形模式的多功能传感的表征结果。（A）拉伸和压缩。（B）拉伸和弯曲。（C）弯曲和压缩。（D）拉伸，弯曲和压缩。
为了同时弯曲和压缩，首先使传感器沿旋转接头的中性轴旋转，然后施加局部接触压力。在此测试中，仅光学感测显示输出因弯曲而偏移。压缩后，光学和RTIL感测信号显示变化，而来自导电织物的信号保持不变（图3C）。
为了施加所有三个变形的组合输入，首先将传感器从旋转接头的中性轴上弯下，然后施加局部接触压力。所有三个传感信号在输出中均显示出偏移，而拉伸和弯曲的组合输入。当添加压缩输入时，光学和RTIL信号显示出其他变化，而导电织物信号保持不变（图3D）。
多模变形
因为所有三个变形模式的输出模式彼此独立，如图1和2所示。在图1F和2中，作者可以解耦组合的变形模式。然而，并非所有传感器信号都是线性的事实使去耦问题变得复杂，并且不能通过矩阵计算来提供简单的解决方案。因此，决定使用机器学习技术对多模变形进行分类。图5A显示了八个不同变形状态（初始状态：无变形，三个单模变形和四个多模变形）的估计结果。在所有情况下，状态估计都是高度准确和可靠的。估计精度始终超过95％（图5B）。
图5多功能感应的结果。（A）使用机器学习对多模式变形的八种不同组合的估计结果。（B）所有八个变形模式的估计精度。
机器人的可穿戴控制器
通过将传感器连接到织物腕带的顶侧，为每个用于检测两个腕部的弯曲（拉伸）和偏航旋转（弯曲）的设备，准备了一对可穿戴的传感设备。阈值评估用于对变形模式进行分类。通过同时拉伸和弯曲传感器来检测弯曲，而通过纯弯曲来检测偏航旋转。在每个设备中通过压缩模式添加时，总共可能有10种组合输入模式。作者使用了10种可能的模式中的8种来远程控制带有机械手的商用机器人手臂，以完成将物体拾取并移动到目标位置的任务。在该系统中，左右手腕的偏航旋转使机器人分别向左（图6，i）和向右（图6，iii）移动，并且每个手腕的弯曲都使机器人移动前进或后退。传感器上的压缩用于上下移动机器人（图6，ii和v），通过弯曲（图6，iv）和伸展（图6，vi）进行抓握和释放物体。分别在同一时间手腕。
图6带有抓取器的机器人手臂的远程控制，用于不同的操作任务和相应的传感器数据。使用了两个可穿戴设备来提供六种不同的输入模式，这些输入模式是移动机器人以及拾取和释放物体所需的：（i）向左移动，（ii）向下移动，（iii）向右移动，（iv）抓手闭合，（ v）向上移动，并且（vi）抓爪打开。
此外，作者实现了另一个可穿戴控制器，该控制器能够测量肘部角度，以基于校准的光学信号远程控制跟随一自由度肘部运动的机械臂，如图7（i）所示（参见图7（i））。传感器能够估算出佩戴者的肘部角度，而机械臂成功地跟踪了佩戴者的动作。此外，当将外部触点应用于传感器时，系统能够有效地拒绝它。因此，基于由基于ANN的机器学习算法确定的变形模式，如图7（iii）所示，机械臂的运动不会受到不需要的输入信号的干扰。
图7使用通过光信号校准的肘关节运动对商用机械手进行远程控制。（i）建议在初始状态下戴在肘部上的软传感器。（ii）肘部弯曲运动后的机械臂。（iii）尽管传感器已压缩，但机械手不会改变其位置。
交互式软机器人操纵器
作者将传感器安装到由四个气动折纸肌肉致动器（POMA）组成的定制多自由度软机器人手腕上，如图8A所示。机械手腕能够通过对一个或两个POMA加压来向不同的方向弯曲，并且在同时对所有四个执行器加压时也可以延长其长度。在该系统中，作者将传感器放置在四个执行器的中间，使其与中性轴对齐，以便传感器可以使用阈值评估来检测具有不同压力输入的机械手的弯曲和伸展。此外，该传感器能够检测施加到机器人的外力，因为柔软的结构可以将力传递给位于内部的传感器。感测测试的结果如图8（B到D）所示。
图8多自由度软交互机器人。（A）由四个气动执行器和一个软传感器组成的机器人的设计。（B到D）通过自驱动以及人工输入和相应的传感器数据获得的不同变形模式。
参见文献：
Science Robotics 16 Dec 2020:
Vol. 5, Issue 49, eabc6878
DOI: 10.1126/scirobotics.abc6878
版权声明：「高分子材料科学」是由专业博士（后）创办的非赢利性学术公众号，旨在分享学习交流高分子聚合物材料学的研究进展。上述仅代表作者个人观点且作者水平有限，如有科学不妥之处，请予以下方留言更正。如有侵权或引文不当请联系作者修正。商业转载请联系编辑或顶端注明出处。感谢各位关注！
网友评论