在机器人研发领域，实现类人的强力操作始终是一大难题，核心症结在于现有技术缺乏碰撞、平衡、阻力等关键的环境交互感知线索，即便借助人工智能增强的视觉系统，也难以应对物理交互中的实时变化，导致机器人在完成摆物、切菜等人类轻而易举的简单任务时屡屡受挫。同时，传统触觉传感器还存在分辨率低、测量范围窄、线性度差、无法双向检测扭矩等问题，难以精准捕捉力与位置的空间关联信息，极大限制了机器人的灵巧操作能力。
西安交通大学团队受人类皮肤触觉小体空间分布启发，研发出扭矩 - 角度 - 压力（TAP）触觉传感器，核心采用柔性 80A 树脂、RTV 硅橡胶、N35 矩形磁铁、Ecoflex 00-50 弹性体、PLA 互锁套筒框架及霍尔元件 搭建三层三明治结构；制作上结合 3D 打印、紫外固化、模铸成型、电路板封装等工艺，通过磁通量密度梯度实现感知，并建立基于麦克斯韦电磁场理论和霍尔效应的理论模型，优化磁体尺寸、霍尔元件空间偏移参数等关键设计；核心策略是打造环交互框架，将传感器精准捕捉的扭矩、角度、压力信息融入机器人控制回路，实现力和位置信息的集成感知与实时反馈，让机器人能动态调整姿态和动作。
TAP 传感器扭矩 - 扭转角感知机制与验证
TAP感知机制，霍尔元件在矩形磁铁产生的各向异性磁场中旋转，捕捉磁通量密度变化实现扭转测量（图A)。半径 R 从 0.5-6.5mm 变化时磁通量密度梯度的改变，直接影响扭转感知灵敏度（图B)。霍尔元件在 - 45° 至 45° 旋转时，-30° 至 30° 区间内磁通量密度检测具备高线性度（图C)。矩形磁铁产生的周向磁通量密度分布，沿两个相反旋转方向呈双向变化趋势（图D)。
理论与实验数据高度匹配（R²=0.99），验证了传感器对双向扭转刺激响应的理论分析有效性（图E)。矩形磁铁法向磁通量密度分布，随距离增大逐渐降低（图F)。压力刺激下的理论与实验数据拟合度接近 0.99，进一步印证了理论模型的准确性（图G)。
TAP 传感器性能标定结果
传感器在 0.5-3.0mm 不同初始压缩变形下，-30° 至 30° 扭转角变化的电压输出均保持高线性度，受初始压力影响小，鲁棒性强（图A）。 4.6-55.9N 不同压力下扭矩与扭转角的关系，标定出扭矩 - 扭转角系数为 4.03，测量范围达 ±120.9N・mm（图B）。传感器对 0.1° 增量扭转角呈现清晰的 1mV 线性电压阶跃，实现 0.1° 的超高扭转角分辨率（图C)。
传感器抓取冰勺时能精准检测四颗小螺丝依次添加的微小扭矩变化，验证实际场景下的高灵敏度（图D)。传感器响应时间和恢复时间均小于 20ms，适配动态操作（图E)。与压阻、电容、光学、磁学类传统传感器对比，TAP 传感器在分辨率、线性度、测量范围上显著领先，且单通道读出即可实现双向检测，大幅简化信号采集（图F-H)。
TAP 传感器助力机器人完成超高精度摆物任务
如环交互框架示意图所示，传感器在将环境交互信息实时融入机器人控制回路，实现混合力 - 位置控制（图A）。 通过对比实验，无 TAP 反馈时 46° 倾斜牛奶盒摆放失败，借助传感器反馈实现姿态动态调整，摆放成功（图B）。机器人将半瓶水的大瓶子倒扣在小瓶子瓶盖，传感器检测到初始 5.5° 扭转角，通过实时反馈微调至接近 0°，5 秒内完成稳定摆放（图C-D ）。
平衡梁堆叠任务中，人类无视觉引导完成难度大，而机器人借助传感器扭矩反馈，1.9 秒即可完成，过程中精准捕捉拾取、转移、碰撞、平衡、释放各阶段的扭转信息（图E-G）。机器人单次调整完成任务平均耗时 2.4 秒、成功率 81.5%，远超人类单次调整（6.5 秒、18.3%）和多次调整（8.7 秒、77.5%）的表现（图H）。
TAP 传感器实现机器人自适应蔬菜切割操作
人类切萝卜的循环旋转切割策略，包含接触、旋转切割、缩回、再次旋转切割等步骤（图A）；研究建立旋转切割力学模型，揭示减小刀具倾斜角、稳定刀具与物体中心距离可降低切割阻力（图B）。传统机器人模仿人类轨迹切割萝卜，因无实时反馈，受阻力干扰任务失败（图C）；融入 TAP 传感器环交互框架后，机器人可根据扭矩反馈动态调整切割轨迹，完成切割（图D）。
机器人借助传感器实现萝卜的循环旋转切割，实时检测扭矩变化，阻力过高时暂停缩回，最终 20 秒完成切割，无反馈则扭矩波动大、轨迹严重偏离（图E-F）。传感器反馈下，机器人能精准调整切割过程中的刀具高度和倾斜角，无反馈则参数紊乱（图G）。传感器支持机器人完成萝卜连续切割任务，可通过调整横向步长实现 1.2mm 的薄片切割，扭矩全程稳定可控（图H）。
该研究不仅为机器人触觉传感器的设计提供了全新的思路和方法，还推动了机器人从 "抓取" 向 "灵巧操作" 的跨越，为工业自动化、服务机器人、医疗机器人等领域的发展奠定了关键的技术基础，让机器人真正拥有类人触觉与操作能力迈出了实质性的一步。未来随着传感器小型化、多模态感知的优化，机器人的灵巧操作能力还将持续提升，进一步拓展人机协作的应用边界。