触觉传感器

概述

触觉传感器（Tactile Sensor）模拟人类皮肤的触觉功能，提供接触区域的力分布、几何形状、纹理、温度等信息。与六维力矩传感器测量"总力"不同，触觉传感器测量的是空间分布的接触信息。

人手指尖约有 240 个触觉感受器/cm²，分辨率约 1 mm。现代触觉传感器正在逐步接近这一水平。

视觉-触觉传感器（Vision-based Tactile）

GelSight（MIT）

GelSight 是最具影响力的视觉-触觉传感器方案，由 MIT 的 Edward Adelson 团队于 2009 年提出。

工作原理：

透明弹性体（elastomer）表面涂有反射涂层
物体接触弹性体，使其表面变形
内部 LED 从多个方向照明变形后的表面
微型相机捕捉变形图像
通过光度立体法（photometric stereo）重建表面三维几何

光度立体法原理：

从 $k$ 个不同方向的光照图像 $I_1, I_2, \ldots, I_k$ 恢复表面法向量：

\[I_k(x, y) = \rho(x, y) \cdot (\vec{n}(x, y) \cdot \vec{l}_k)\]

其中 $\rho$ 为反照率，$\vec{n}$ 为表面法向量，$\vec{l}_k$ 为第 $k$ 个光源方向。

三个光源即可求解法向量 $\vec{n} = (n_x, n_y, n_z)$，进而积分得到深度图。

技术规格（典型）：

参数	规格
空间分辨率	~25 μm
力分辨率	~0.01 N
接触面积	~14 × 10 mm
帧率	30-60 fps
深度分辨率	~2 μm

输出数据：

RGB 触觉图像（640×480 典型）
三维高度图（通过算法重建）
接触区域 mask
法向力/切向力估计

DIGIT（Meta AI）

DIGIT 是 Meta（原 Facebook）AI 研究院开发的紧凑型视觉-触觉传感器，灵感来自 GelSight。

改进点：

更小：约 20 × 27 mm 接触面，适合安装在机器人手指
开源：硬件设计和软件完全开源
低成本：材料成本约 $15（量产版本更低）
标准化：统一接口，方便社区复现

DIGIT 结构
┌─────────────────┐
│    弹性体凝胶     │ ← 接触面
├─────────────────┤
│   反射涂层       │
├─────────────────┤
│  LED 照明 (RGB)  │
├─────────────────┤
│   微型相机       │ ← OV5640 (USB)
├─────────────────┤
│   PCB + 连接器   │
└─────────────────┘

DIGIT 生态：

PyTouch：Meta 开源的触觉感知库
TACTO：触觉传感器仿真器（基于 PyBullet）
感知任务：接触检测、力估计、滑动检测、物体分类

GelSlim

MIT 团队开发的薄型视觉-触觉传感器：

厚度仅 7 mm（GelSight 约 25 mm）
使用侧面照明 + 光导
适合集成到平行夹爪

9DTact

南方科技大学等提出：

使用鱼眼镜头替代平面相机
可测量三维接触力分布
球形接触面，适合指尖形态

多模态触觉传感器

BioTac（SynTouch）

BioTac 模拟人类指尖的多模态感知能力：

传感模态：

模态	传感器	信息
力	19 个阻抗电极	空间力分布
振动	1 个压力传感器（AC）	滑动/纹理 (高达 1 kHz)
温度	1 个热敏电阻	物体材质识别
静压	1 个压力传感器（DC）	总接触力

结构：

刚性骨架 + 弹性皮肤
皮肤与骨架之间充填导电液
指纹状表面纹理增强摩擦和振动感知

应用：

物体材质分类（金属/木头/塑料/布料）
精细操作（翻页、插USB等）
假肢触觉反馈研究

局限：

价格昂贵（约 $5000/个）
已停产（SynTouch 被收购后）
数据接口专有

ReSkin（Meta AI）

ReSkin 是一种基于磁性的薄膜触觉皮肤：

工作原理：

弹性体中嵌入磁性颗粒
底部 PCB 上有磁力计阵列
接触导致弹性体变形 → 磁性颗粒移动 → 磁场变化
磁力计检测磁场变化 → 推算力

\[\vec{B}_{measured} = f(\vec{F}_{contact}, \text{geometry})\]

特点：

参数	规格
厚度	~3 mm
采样率	400 Hz
力范围	0.1 ~ 10 N
三轴力	支持 (法向 + 切向)
可更换	弹性体可拆卸更换
成本	~$5/片

优势：廉价、薄、可更换磁性皮肤（耗材思路）

触觉皮肤阵列

大面积触觉覆盖

人形机器人和服务机器人需要全身触觉感知。

电容式触觉皮肤：

\[C_{ij} = \varepsilon_0 \varepsilon_r \frac{A}{d_{ij}}\]

每个触觉单元（taxel）是一个微型电容器，受力时极板间距 $d$ 减小，电容增大。

典型方案：

方案	单位面积 taxels	采样率	特点
Shadow Robot iCub skin	~60/dm²	50 Hz	三角形模块
Bosch skin	~16/dm²	100 Hz	柔性PCB
Roboskin (EU)	~12/dm²	25 Hz	模块化三角形

压阻式触觉阵列：

使用导电橡胶或导电织物
受力时电阻降低
成本低但精度和一致性较差

触觉手套

用于人类手部动作采集（遥操作数据收集）：

Manus VR Glove：手指弯曲 + 触觉反馈
StretchSense：电容式拉伸传感
自制方案：压阻式织物传感器 + Arduino

分辨率与灵敏度对比

传感器	空间分辨率	力灵敏度	帧率	模态	价格
GelSight	~25 μm	~0.01 N	30 fps	几何+力	~$200 DIY
DIGIT	~50 μm	~0.03 N	60 fps	几何+力	~$15 DIY
BioTac	~1 mm	~0.01 N	100 Hz	力+振动+温度	~$5000
ReSkin	~5 mm	~0.1 N	400 Hz	三轴力	~$5
电容阵列	~5-10 mm	~0.1 N	50-100 Hz	法向力	中等

选择建议：

精细操作研究 → GelSight / DIGIT（高分辨率几何信息）
全身触觉 → ReSkin / 电容阵列（大面积覆盖）
多模态感知 → BioTac（已停产，考虑替代）
快速原型 → DIGIT（开源、低成本）

触觉数据处理

接触检测

最基础的任务：判断是否有接触

\[\text{contact} = \begin{cases} 1 & \text{if } \|I_{current} - I_{baseline}\| > \theta \\ 0 & \text{otherwise} \end{cases}\]

力估计

从触觉图像/信号估计接触力（通常需要神经网络）：

\[\hat{F} = f_{NN}(I_{tactile}; \theta)\]

训练数据来源：同时采集触觉图像和六维力矩传感器真值。

滑动检测

通过触觉信号的时间变化检测滑动：

光流法：连续触觉图像帧间像素位移
振动频谱：滑动产生高频振动信号
接触面积变化：滑动时接触区域形状改变

物体识别

触觉可以辨别视觉难以区分的属性：

硬度（刚性/柔性）
纹理（光滑/粗糙）
材质（金属冰凉/木头温和）
重量（通过抓取力反馈）

仿真环境

仿真器	支持的传感器	物理引擎	开源
TACTO	DIGIT, OmniTact	PyBullet	是
Taxim	GelSight	FEM	是
Isaac Gym	通用触觉	PhysX	是

仿真是触觉学习（tactile learning）的重要补充——真实触觉数据采集缓慢且昂贵。

参考资源

Yuan, W. et al., "GelSight: High-Resolution Robot Tactile Sensors for Estimating Geometry and Force," Sensors, 2017
Lambeta, M. et al., "DIGIT: A Novel Design for a Low-Cost Compact High-Resolution Tactile Sensor with Application to In-Hand Manipulation," RA-L, 2020
Bhirangi, R. et al., "ReSkin: versatile, replaceable, lasting tactile skins," CoRL, 2021
Wettels, N. et al., "Biomimetic Tactile Sensor Array," Advanced Robotics, 2008