5.1 触觉传感器技术
5.1.1 触觉传感原理
5.1.1.1 电阻式与电容式传感器
触觉传感器的物理原理基于材料在外部刺激下的电学特性变化。电阻式触觉传感器利用导电聚合物或复合材料的压阻效应（piezoresistive effect），外部压力导致材料形变进而改变电阻值。导电聚合物基质中填充的导电颗粒（如碳纳米管、银纳米线）形成渗流网络（percolation network），其电阻变化遵循渗流理论：
R = R_0 \\left( \\frac{p_c - p}{p_c} \\right)\^\\alpha
其中 p 为导电填料体积分数，p_c 为渗流阈值，\\alpha 为临界指数。微观尺度上，压力诱导的隧道效应（tunneling effect）主导电阻变化，隧穿电流 I 与颗粒间距 d 的关系为：
I \\propto \\exp\\left( -\\frac{\\sqrt{2m\\phi}}{\\hbar} d \\right)
其中 m 为电子有效质量，\\phi 为势垒高度。电容式触觉传感器基于平行板电容器原理，介电层厚度变化或介电常数变化导致电容改变：
C = \\frac{\\epsilon_0 \\epsilon_r A}{d}
其中 \\epsilon_0 为真空介电常数，\\epsilon_r 为相对介电常数，A 为极板面积，d 为间距。微结构介电层（如微金字塔、微柱阵列）增强灵敏度，压力作用下微结构形变导致有效介电常数变化与几何变化的耦合效应。
5.1.1.2 光学式触觉传感器
光学式触觉传感器通过监测光场变化实现触觉测量，具备高空间分辨率与抗电磁干扰特性。基于全内反射（Total Internal Reflection, TIR）的传感器利用弹性体-空气界面的光泄漏效应，接触压力改变界面反射率，相机捕获的亮度分布 I(x,y) 与接触压力 P(x,y) 存在近似线性关系：
I(x,y) = I_0 \\cdot \\exp(-\\alpha \\cdot P(x,y) \\cdot A_{\\text{contact}})
其中 \\alpha 为材料相关常数，A_{\\text{contact}} 为接触面积。基于光波导的传感器将弹性体作为波导介质，形变导致光路长度变化产生干涉图案，相位变化 \\Delta\\phi 与应变成正比：
\\Delta\\phi = \\frac{2\\pi}{\\lambda} \\cdot n \\cdot \\Delta L
其中 \\lambda 为光波长，n 为折射率，\\Delta L 为光程变化。GelSight 等视觉触觉传感器使用弹性凝胶表面覆盖镜面层，相机通过透明弹性体观察接触表面的变形场，通过光度立体（photometric stereo）或结构光三维重建技术恢复接触几何：
\\mathbf{n} = \\frac{\\nabla I}{\\\|\\nabla I\\\|}, \\quad z = \\int \\frac{\\partial z}{\\partial x} dx + \\frac{\\partial z}{\\partial y} dy
其中 \\mathbf{n} 为表面法向量，通过积分恢复深度图 z(x,y)。
5.1.2 电子皮肤技术
5.1.2.1 柔性电子与可拉伸材料
电子皮肤（E-skin）追求与生物皮肤类似的柔韧性、延展性与自愈合能力。柔性电子依赖薄膜晶体管（TFT）与可弯曲基底材料（聚酰亚胺、PDMS、Ecoflex）。可拉伸性通过结构工程实现，包括蛇形导线（serpentine interconnects）与分形设计（fractal design）。蛇形导线的拉伸性由几何参数决定，弹性应变 \\epsilon_{\\max} 与蜿蜒幅度 A、波长 \\lambda、线宽 w 相关：
\\epsilon_{\\max} \\approx \\frac{\\pi\^2 A w}{4\\lambda\^2}
自愈合材料基于动态共价键（如 Diels-Alder 反应、亚胺键）或超分子相互作用（氢键、金属配位键）。愈合效率 \\eta 定义为断裂后力学性能恢复比例：
\\eta = \\frac{\\sigma_{\\text{healed}}}{\\sigma_{\\text{original}}} \\times 100\\%
基于氢键的聚氨酯体系可实现室温下 95% 以上的力学性能恢复。本征可拉伸半导体材料（如共轭聚合物 DPP-based 聚合物）通过分子设计引入柔性侧链与弱结晶性，实现载流子迁移率与延展性的平衡。
5.1.2.2 多模态传感集成
生物皮肤同时感知压力、温度、湿度与疼痛，电子皮肤的多模态集成面临信号串扰与布线复杂性挑战。空间复用（spatial multiplexing）将不同模态传感器按特定图案排布，时间复用（time division multiplexing）或频率复用（frequency division multiplexing）共享读取电路。温度补偿通过集成温度传感器实现压力信号的温度漂移校正：
P_{\\text{compensated}} = P_{\\text{raw}} - \\alpha \\cdot (T - T_0)
其中 \\alpha 为温度系数，通过标定实验确定。神经形态传感（neuromorphic sensing）模仿皮肤感受器的脉冲编码机制，采用事件驱动（event-driven）架构，仅在刺激变化时产生脉冲输出，显著降低功耗与数据带宽需求。自适应采样率根据信号变化率动态调整：
f_{\\text{sampling}} \\propto \\left\| \\frac{dP}{dt} \\right\|
5.2 触觉信号处理
5.2.1 接触检测与定位
5.2.1.1 压力分布重建
触觉传感器阵列的压力分布重建涉及欠定逆问题的求解。对于 N \\times M 传感器阵列测量向量 \\mathbf{y} \\in \\mathbb{R}\^{NM} 与真实压力分布 \\mathbf{x} \\in \\mathbb{R}\^{H \\times W}（高分辨率网格），关系由点扩散函数（Point Spread Function, PSF）描述：
\\mathbf{y} = \\mathbf{H}\\mathbf{x} + \\mathbf{n}
其中 \\mathbf{H} 为系统矩阵表征传感器响应特性，\\mathbf{n} 为噪声。Tikhonov 正则化求解：
\\hat{\\mathbf{x}} = \\arg \\min_{\\mathbf{x}} \\\|\\mathbf{y} - \\mathbf{H}\\mathbf{x}\\\|\^2 + \\lambda \\\|\\mathbf{L}\\mathbf{x}\\\|\^2
其中 \\mathbf{L} 为拉普拉斯算子矩阵，\\lambda 为正则化参数。稀疏性先验（sparsity prior）假设接触区域稀疏，基于压缩感知（Compressed Sensing）的 L_1 正则化重建：
\\hat{\\mathbf{x}} = \\arg \\min_{\\mathbf{x}} \\\|\\mathbf{y} - \\mathbf{H}\\mathbf{x}\\\|\^2 + \\lambda \\\|\\mathbf{x}\\\|_1
迭代算法如 ISTA（Iterative Shrinkage-Thresholding Algorithm）求解：
\\mathbf{x}_{k+1} = S_{\\lambda/L} \\left( \\mathbf{x}_k - \\frac{1}{L} \\mathbf{H}\^T (\\mathbf{H}\\mathbf{x}_k - \\mathbf{y}) \\right)
其中 S_\\kappa(\\cdot) 为软阈值算子。
5.2.1.2 滑动检测算法
滑动（slip）检测对稳定抓取至关重要，涉及切向力变化与振动模式分析。基于摩擦力的滑动检测监测切向力 F_t 与法向力 F_n 的比值接近摩擦系数 \\mu：
\\frac{F_t}{F_n} \\ge \\mu - \\delta
其中 \\delta 为安全裕度。振动分析法通过加速度计或压电传感器捕获滑动诱导的高频振动（通常 1-1000 Hz），短时傅里叶变换（STFT）提取时频特征：
X(\\tau, \\omega) = \\int_{-\\infty}\^{\\infty} x(t) w(t-\\tau) e\^{-j\\omega t} dt
滑动事件通常表现为特定频带的能量突增。机器学习方法训练分类器区分静态接触与滑动，特征包括零穿越率（Zero-Crossing Rate, ZCR）、均方根（RMS）与频谱质心（Spectral Centroid）：
\\text{ZCR} = \\frac{1}{2} \\sum_{n=1}\^{N-1} \|\\text{sgn}(x\[n\]) - \\text{sgn}(x\[n-1\])\|
\\text{Spectral Centroid} = \\frac{\\sum_{k=1}\^K f_k \|X\[k\]\|\^2}{\\sum_{k=1}\^K \|X\[k\]\|\^2}
隐马尔可夫模型（HMM）或循环神经网络（RNN）捕获滑动动态的时间演化。
5.2.2 纹理识别与材料分类
5.2.2.1 振动信号分析
触觉纹理识别依赖滑动接触时产生的振动信号（纹理诱导的振动，texture-induced vibrations）。生物手指的帕西尼小体（Pacinian corpuscles）对 200-300 Hz 振动敏感，人工系统通过压电传感器或加速度计模拟。振动信号的功率谱密度（Power Spectral Density, PSD）反映表面粗糙度的空间频率分布。稳态滑动时，振动频谱 S(f) 与表面纹理的空间波长 \\lambda 及滑动速度 v 相关：
f = \\frac{v}{\\lambda}
通过恒定速度扫描，频谱峰值对应纹理的空间周期。Gabor 滤波器组模拟触觉神经元的频率-方向选择性，纹理特征向量由多尺度多方向滤波响应构成：
\\text{Gabor}(x,y; \\lambda, \\theta, \\sigma) = \\exp\\left( -\\frac{x'\^2 + \\gamma\^2 y'\^2}{2\\sigma\^2} \\right) \\cos\\left( \\frac{2\\pi x'}{\\lambda} \\right)
其中 x' = x \\cos \\theta + y \\sin \\theta，y' = -x \\sin \\theta + y \\cos \\theta。
5.2.2.2 深度学习触觉表征
深度学习方法自动从原始触觉信号学习判别性特征。卷积神经网络（CNN）处理时空触觉图像（压力分布序列），一维 CNN 或循环神经网络处理时间序列信号。时频表示（spectrogram）作为 CNN 输入联合利用时域与频域信息。自监督对比学习应用于触觉领域，正对样本为同一纹理的不同滑动速度或压力条件，负对为不同纹理：
L = -\\log \\frac{\\exp(\\text{sim}(z_i, z_j)/\\tau)}{\\sum_k \\exp(\\text{sim}(z_i, z_k)/\\tau)}
多模态融合结合视觉与触觉，视觉编码器处理物体表面图像，触觉编码器处理振动信号，联合嵌入空间通过对比对齐：
L_{\\text{alignment}} = \\frac{1}{N} \\sum_{i=1}\^N \\left( \\\|f_{\\text{vision}}(v_i) - f_{\\text{touch}}(t_i)\\\|\^2 - \\alpha \\sum_{j \\neq i} \\\|f_{\\text{vision}}(v_i) - f_{\\text{touch}}(t_j)\\\|\^2 \\right)
5.3 力/力矩传感
5.3.1 六维力/力矩传感器
5.3.1.1 传感器标定与解耦
六维力/力矩传感器同时测量三维力 \\mathbf{F} = \[F_x, F_y, F_z\]\^T 与三维力矩 \\mathbf{M} = \[M_x, M_y, M_z\]\^T，基于应变计（strain gauges）测量弹性体变形。弹性体设计（如 E 型膜、十字梁、Stewart 平台结构）将力/力矩映射为应变信号。应变计组桥电路输出电压信号 \\mathbf{V} \\in \\mathbb{R}\^6，与力/力矩向量 \\mathbf{W} = \[\\mathbf{F}\^T, \\mathbf{M}\^T\]\^T \\in \\mathbb{R}\^6 的线性关系为：
\\mathbf{V} = \\mathbf{C}\\mathbf{W} + \\mathbf{n}
其中 \\mathbf{C} \\in \\mathbb{R}\^{6 \\times 6} 为标定矩阵（decoupling matrix），\\mathbf{n} 为噪声。标定矩阵通过最小二乘法求解，施加已知标准力与力矩 \\mathbf{W}_{\\text{cal}}，测量输出 \\mathbf{V}_{\\text{cal}}：
\\mathbf{C} = \\mathbf{V}_{\\text{cal}} \\mathbf{W}_{\\text{cal}}\^+ = \\mathbf{V}_{\\text{cal}} \\mathbf{W}_{\\text{cal}}\^T (\\mathbf{W}_{\\text{cal}} \\mathbf{W}_{\\text{cal}}\^T)\^{-1}
非线性误差通过多项式拟合或神经网络补偿。温度漂移通过温度传感器与补偿矩阵修正：
\\mathbf{W}_{\\text{true}} = \\mathbf{C}\^{-1} (\\mathbf{V} - \\mathbf{D} \\cdot \\Delta T)
其中 \\mathbf{D} 为温度漂移系数矩阵。
5.3.1.2 噪声滤波与信号处理
力传感器信号受高频机械振动、电磁干扰与量化噪声影响。低通滤波器（如一阶 RC 或数字 IIR）去除高频噪声，截止频率 f_c 根据任务动力学选择：
H(s) = \\frac{1}{1 + s/(2\\pi f_c)}
卡尔曼滤波器融合力传感器与加速度计数据，估计接触力与补偿惯性力。状态空间模型包含力及其导数：
\\mathbf{x}_t = \\begin{bmatrix} F_t \\\\ \\dot{F}_t \\end{bmatrix}, \\quad \\mathbf{x}_{t+1} = \\begin{bmatrix} 1 \& \\Delta t \\\\ 0 \& 1 \\end{bmatrix} \\mathbf{x}_t + \\mathbf{w}_t
观测方程包含传感器测量与模型预测。接触状态估计（接触/非接触）通过阈值检测或隐马尔可夫模型实现，避免漂移累积。
5.3.2 基于学习的力估计
5.3.2.1 视觉-触觉融合力估计
视觉信息（形变、纹理变化）与触觉信息（压力分布）融合实现力的间接估计。视觉编码器（ResNet/ViT）提取图像特征，触觉编码器处理压力分布，融合网络（concatenation 或 attention）输出力/力矩预测。端到端训练最小化预测与力传感器真值的均方误差：
L = E_{(I, T, W)} \\\|W - f_\\theta(I, T)\\\|\^2
其中 I 为图像，T 为触觉阵列，W 为力真值。注意力机制加权视觉与触觉模态的贡献：
\\alpha_{\\text{vision}} = \\sigma(w\^T h_{\\text{vision}} + b), \\quad h_{\\text{fused}} = \\alpha_{\\text{vision}} h_{\\text{vision}} + (1 - \\alpha_{\\text{vision}}) h_{\\text{touch}}
5.3.2.2 电机电流-based力估计
无需力传感器的力估计通过电机电流与动力学模型间接计算。关节力矩 \\tau 与电机电流 I 的关系为：
\\tau = K_t \\cdot I \\cdot \\eta \\cdot r - J\\ddot{\\theta} - b\\dot{\\theta} - \\tau_{\\text{friction}}
其中 K_t 为转矩常数，\\eta 为传动效率，r 为减速比，J 为转动量，b 为阻尼系数。摩擦力 \\tau_{\\text{friction}} 通过库仑+粘滞模型建模：
\\tau_{\\text{friction}} = F_c \\cdot \\text{sgn}(\\dot{\\theta}) + F_v \\cdot \\dot{\\theta}
基于动力学的观测器（如滑模观测器、扰动观测器）估计外部接触力，视为系统扰动：
\\hat{\\tau}_{\\text{ext}} = \\tau_{\\text{motor}} - M(\\theta)\\ddot{\\theta} - C(\\theta, \\dot{\\theta})\\dot{\\theta} - G(\\theta)
神经网络端到端映射电机状态（位置、速度、电流）至接触力，避免复杂的摩擦建模与参数辨识：
\\hat{F}_{\\text{ext}} = f_{\\text{NN}}(\\theta, \\dot{\\theta}, \\ddot{\\theta}, I)
LSTM 或 Transformer 处理时间序列，捕获动态效应。混合方法结合物理模型与神经网络残差补偿：
\\hat{F}_{\\text{ext}} = \\hat{F}_{\\text{physics}} + f_{\\text{residual}}(\\text{features})
提高外推能力与样本效率。