随着机器人参与人类生产生活的程度加深，其“类人”属性愈发凸显。视觉、听觉、触觉、嗅觉和味觉等传感器是机器人模拟人类感知系统的核心元件，其中视觉传感器是机器人最重要的传感器，触觉传感器的作用仅次于视觉传感器。

广义上认为，机器人的触觉包括接触觉、压觉、力觉、滑觉、冷热觉、痛觉等与接触有关的感觉^[1-2]，狭义上则认为机器人的触觉是机械手与对象接触面间的力感觉^[3]。机器人主要通过触觉传感器感知周围环境和目标物体，识别物体的材质^[4-5]、表面形貌(粗糙度、细密度和纹理等)^[6-8]、力学性能(刚度、弹性和黏性等)、导热性等物理属性，实现精准定位^[9]、滑移检测^[10-11]和人机交互^[12]等功能。相较成熟的机器人视觉感知研究，机器人触觉感知研究还处于发展阶段，因此现有机器人尚不能完全“触摸”世界，这也导致机器人动作不准确、不稳定，交互过程较“笨拙”，极大地限制了机器人的交互和认知能力。

国内外众多学者在触觉传感器领域做了大量细致工作，促使触觉传感器的研制技术获得快速发展。目前研究采用的触觉传感器的主要类型包括电阻式^[13-14]、电容式^[15-16]、压电式^[17-18]、光学式^[19-20]和流体式^[21]等。尽管机器人触觉传感器研究已取得一系列成果，但机器人触觉感知技术的研究和开发仍面临较多挑战。例如，触觉传感器柔性不足，无法在具有复杂结构的物体表面正常工作；触觉传感器可扩展性不足，不能任意裁剪和拼接^[1]；机器人通过电子触觉皮肤接收指令并执行操作的灵巧度相比人类较差^[22]等。因此，赋予机器人像人类一样灵敏的触觉感知是机器人研究亟须解决的重点和难点。

仿生手指属于触觉传感器范畴，是智能机械手执行精准操作的前提。因此，本文基于仿生学和液体压强传导原理设计了具有指骨、柔性外壳、指甲、液体、压敏元件和温度敏感元件的仿生手指。该款仿生手指是一种手指型触觉传感器，该传感器接触物体时，可通过固核内部不同传感器检测接触压力、温度和触摸振动信号，具有类似人体的先进触觉感应，而皮肤表面并无感应装置，这使该传感器具有优秀的鲁棒性与经济性。本文研究了仿生手指的硬度、温度和纹理感知能力，提取了仿生手指触摸纹理表面的触感特征参数，利用支持向量机模型实现了仿生手指对织物表面纹理的分类与识别。结果表明，该款仿生手指对织物的平均识别准确率高于人主观分类的平均识别准确率。本研究可为触感智能机器人、触肤产品质感的量化评定等提供技术支持和理论支撑。

1 仿生手指设计 1.1 工作原理

仿生手指的工作原理示意如图 1所示，当仿生手指接触物体时，接触压力会使柔性外壳发生变形，进而引起液体压强改变。由Pascal定律可知，密闭腔体内的液体压强会发生等值传递。因此，本研究采用压敏元件感知液体压强变化，即当柔性外壳与物体接触并发生滑动摩擦时，振动信号会传递至液体并改变液体压强，进而被压敏元件接收并转换成电信号，电信号的波形和幅值可用于表征柔性外壳与物体之间的摩擦振动。通过温度敏感元件可测得接触表面的温度信号。

1.2 结构和电路设计

根据人手指真实结构，设计了具有指骨、柔性外壳、指甲、液体、压敏元件和温度敏感元件的仿生手指，尺寸为63 mm×20 mm×22 mm，其实物和结构如图 2所示。

指骨是电器元件和电路板的载体，在整个手指结构中起固定和支撑作用，包括远节指骨和中节指骨。远节指骨尺寸为32 mm×15 mm×8 mm，其上设计了用于固定柔性外壳的螺钉固定孔、用于液体注射的注射导向孔和用于传导液体的液体通道，柔性外壳表面产生的压力与振动可通过液体通道传导至中节指骨的压敏元件；中节指骨尺寸为29 mm×20 mm×22 mm，形状为中部镂空的长方体，其表面设有外接安装孔，可与外部的设备相连，镂空部分用于安装压敏元件和电路板。指甲上表面设计了螺钉固定孔和注射导向孔，分别与指骨上的螺钉固定孔和注射导向孔同心；同时通过螺钉将柔性外壳固定在指骨上，防止柔性外壳移动，还可起到密封液体的作用。具有指纹结构的柔性外壳紧密地覆盖在指骨周围，形成一个可存储液体的密闭腔体，指纹能使仿生手指更灵敏地感知接触表面的摩擦振动。指甲与指骨采用3D打印技术制备，材料选择未来8 200树脂，柔性外壳采用硅胶倒模方式制作。仿生手指内部包裹的液体选用水，因为水的导热系数大、振动传导效果好；同时为防止液体泄漏，利用硅胶密封处理螺钉固定孔、注射导向孔等液体易泄漏的部位。

利用外设的数据采集卡和上位机分别采集和处理仿生手指测得的压力、振动、温度信号，图 3为仿生手指信号产生与采集流程。其中，压力和振动信号由压敏元件(40PC015G2A型压强转换元件)采集，压敏元件可将液体压强变化转换为电压输出；温度信号由温度敏感元件(MCP9700集成温度传感器)采集，温度敏感元件的输出与环境温度成正比，灵敏度达10 mV/℃；获得的压力、振动和温度信号最终通过数据采集卡上传至上位机作进一步分析处理，仿生手指信号采集与处理如图 4所示。

1.3 信号采集系统设计

仿生手指信号采集硬件系统主要包括仿生手指本体、电源模块、NI USB-6341数据采集卡和上位机。基于LabVIEW虚拟仪器设计完成的上位机软件主要包括用户登录、信号采集(压力、振动和温度信号)、温度感知及历史数据查询等功能。

2 实验

采用自主设计的实验台进行仿生手指的压力标定和仿生手指触觉感知性能研究，仿生手指实验台如图 5所示。水平方向上，步进电机带动移动平台和试样往复移动，固定于移动平台上的三轴力传感器用于监控接触压力和压力标定；垂直方向上，步进电机带动移动平台和仿生手指上下移动。

2.1 仿生手指硬度和温度感知性能实验

控制仿生手指垂直接触试样，并逐渐增大压力，利用三轴力传感器测得两者之间的接触压力，利用仿生手指测得两者之间的接触压力信号，并进行标定。

1) 硬度感知性能。

选取体积相同、硬度具有显著差异的3种材料(海绵、泡沫塑料和木块)进行仿生手指硬度感知性能评估，3种材料的Shore硬度(采用A型Shore硬度计测量)分别为55°、67°和89°。实验中，实验台控制仿生手指以5 mm/s的速度匀速向下按压物体10 mm，获得压力曲线。

2) 温度感知性能。

导热系数是衡量物体导热性能的重要参数，导热系数越大，物体的导热性能越好。选取体积相同、导热系数具有显著差异的3种材料(不锈钢块、塑料块和木块)进行仿生手指温度感知性能评估，3种材料的导热系数分别为15.0、0.6和0.2 W/(m·K)。实验中，将3种物体先后置于冰箱和恒温箱内，并保持其温度为10.0 ℃和40.0 ℃，然后在室温(23.5 ℃)下利用实验台使仿生手指依次触摸温度为10.0 ℃和40.0 ℃的3种材料，获得温度曲线。

2.2 仿生手指纹理感知性能实验

1) 织物试样和实验参数。

选择6种生活中常见的触肤织物进行仿生手指纹理感知性能测试，分别为麻布、纱布、棉布、莱卡、聚酯纤维、丝绸，编号为1、2、3、4、5、6，织物试样平面大小均为60 mm×60 mm，织物试样表面形貌如图 6所示，织物试样表面物理参数如表 1所示。

利用实验台进行仿生手指纹理感知实验：将织物试样固定在移动平台上，通过调整仿生手指垂直高度使其与试样表面接触，保持接触压力约为0.5 N，织物试样以10 mm/s的速度相对移动50 mm，采集滑动过程中仿生手指的摩擦振动数据，采集频率为2 000 Hz，每组实验重复3次。

2) 织物触感的主观认知实验和主观分类识别实验。

为了将人触摸织物表面的真实触感和仿生手指触摸振动信号提取的特征参数进行相关性分析以及验证仿生手指的织物分类识别性能，招募了15名年龄20.0~26.0岁(平均年龄(23.0±3.0)岁)的健康男性大学生参加主观认知实验和主观分类识别实验，此处不考虑性别对实验数据的影响。实验在国际伦理标准指导下进行，经徐州市中心医院伦理委员会批准(批准号：XZXY-LJ-20210513-054)。

主观认知实验中，当受试者触摸织物表面时，主要感受织物表面纹理的粗糙和细密。由于至今尚未有参数可用于定量描述上述感觉，因此本研究从心理反应角度出发，采用粗糙感和细密感表征人手指触摸织物过程中的感觉要素。其中细密感指人手指触摸织物表面时感知的纹理间距的疏密程度；粗糙感指人手指触摸织物表面时感知的纹理轮廓的高低起伏程度。实验中，6种织物试样被随机排序后放入暗盒中，受试者将手放入暗盒进行触摸，每种织物试样重复感知3次，对织物试样的粗糙感和细密感进行评分。评分区间为0~10，分数越高表示织物表面纹理越粗糙、越细密。

主观分类识别实验中，6种织物试样被随机排序后放入暗盒中，受试者将手放入暗盒进行触摸，每种织物试样重复感知3次，单个织物试样触摸结束之后，受试者需要对织物试样的种类进行判断。

2.3 数据处理方法

1) 仿生手指触摸振动信号的去噪处理。

为消除实验台振动引起的噪声，采用经验模态分解(empirical mode decomposition，EMD)方法对仿生手指采集的原始振动信号进行去噪处理。EMD是一种将非线性信号分解为本征模态函数(intrinsic mode function，IMF)的信号处理方法。该方法能够将含有噪声的信号先分解为多个IMF分量，再计算每一个IMF分量与空载振动信号的相关系数，相关系数较高的IMF分量为噪声成分。对于被视为噪声的IMF分量，采用将该IMF分量的值设置为0的方法进行去噪，将去噪后的IMF分量重新组合，可得到去噪后的纯净信号。

基于以上去噪方法，得到了10个IMF分量，将10个IMF分量分别和实验台空载振动信号进行相关系数计算，计算的相关系数结果依次为0.789、0.759、0.447、0.011、0.034、0.007、0.021、0.021、0.022、0.003。可以看出，IMF1和IMF2具有强相关性，IMF3具有弱相关性，其他分量基本无相关性，因此将IMF 1—3设置为0，IMF 4—10进行重构，得到去噪后的仿生手指触摸振动信号，图 7为振动信号去噪处理过程及其时域和频域图。

2) 仿生手指触摸振动信号特征参数提取。

人手指触摸材料表面引起的摩擦振动给予皮肤内触觉感受器以机械刺激，是触感激发的必要条件，触摸材料产生的触摸振动信号包含触感信息。文[21, 23]发现，人手指触摸振动信号的功率谱重心频率和主频率与材料表面纹理的细密程度和触觉的主观细密感存在正相关关系；文[24]指出，人手指触摸振动信号的峰值均值和平均功率与材料表面纹理的粗糙程度和触觉的主观粗糙感存在正相关关系。因此，从仿生手指触摸振动信号中提取峰值均值C_a、平均功率P、主频率D_fr和功率谱重心频率G_c这4个特征参数，研究其与人主观触感的关系。相关计算表示如下：

$ C_{\mathrm{a}}=\frac{1}{n} \sum\limits_{j=1}^n\left|y_i^{\max }\right|, $

(1)

$ P=\frac{1}{n} \sum\limits_{j=1}^n y_i{ }^2, $

(2)

$ D_{\mathrm{fr}}=\operatorname{argmax}_w S(w), $

(3)

$ G_{\mathrm{c}}=\frac{\sum\limits_i w_i F^2\left(y_i\right)}{\sum\limits_i F^2\left(y_i\right)} . $

(4)

其中：y_i^max为触摸振动信号的峰值，y_i为触摸振动信号的幅值，i为时域上的采样序号，i=1，2，…，m，m为采样序号最大值；j为峰值个数；S(w)为信号功率谱密度函数；w_i为i的振动频率；F(y_i)为y_i的Fourier变换。

3 结果与分析 3.1 仿生手指的硬度和温度感知性能

仿生手指的硬度和温度感知性能曲线如图 8所示。图 8a为仿生手指接触压力信号与电压信号的线性拟合。可以看出，在0~5.0 N内，压力与电压的变化量的线性度为0.997，这表明压力与电压的关系非常接近线性关系，标定后的触觉仿生手指可较准确地测量接触压力。

硬度指物体表面在受到外部压力时表现出的抗力，是物体的固有物理属性。从触感识别角度看，物体的硬度是人手指感知物体抵抗机械形变的一种能力。当利用仿生手指进行物体硬度识别时，控制仿生手指在试样表面按压相同距离，由于被测物体的硬度不同，因此仿生手指输出的压力曲线的变化率不同，即输出的压力曲线的变化率可以反映物体硬度，压力曲线变化率越大，物体硬度越高。图 8b为仿生手指按压3种材料所获得的压力曲线。L表示压力曲线变化率，木块、泡沫塑料和海绵的压力曲线变化率分别为L_wo、L_fo和L_sp。由图可以看出，这三者的大小关系为L_wo＞L_fo＞L_sp，木块硬度最大，海绵硬度最小。实验结果与材料的硬度相符，这表明仿生手指能够通过压力曲线变化率反映物体硬度，具有硬度感知功能。

物体的导热性能通常用导热系数衡量，导热系数越大，物体的导热性能越好。当利用仿生手指进行物体温度识别时，由于被测物体的导热性能不同，仿生手指输出的温度曲线的变化率不同，因此，可利用仿生手指测得的温度曲线实现物体温度感知。仿生手指触摸3种材料获得的温度曲线如图 8c和8d所示。T表示温度曲线变化率，不锈钢、塑料块和木块的温度曲线变化率分别为T_ss、T_pb和T_wo。由图可以看出，这三者的大小关系为T_ss＞T_pb＞T_wo。由于物体的导热性能与温度曲线变化率有关，3种材料中不锈钢的导热性能最强，单位时间内热量传递最多，温度下降或上升最快，而木块与塑料导热性能差，热量传递相对较少，温度下降或上升较慢。实验结果与材料的导热性能相符，这表明仿生手指可以通过其与被测物体接触时的热量传递速率，实现物体温度感知。

3.2 仿生手指的纹理感知性能

织物的主观粗糙感和细密感如表 2所示。可以看出，1—6号织物粗糙感逐渐减弱，细密感逐渐增强，整体上看，织物的粗糙感越强，细密感越弱。

1) 粗糙感感知性能表征。

为了研究仿生手指粗糙度的纹理感知性能，分析了仿生手指触摸振动信号的峰值均值和平均功率与人的主观粗糙感的关系，如图 9a所示。可以看出，随着织物表面粗糙度增大，峰值均值和平均功率增大，粗糙感增强。原因如下：随着织物表面粗糙度增大，仿生手指触摸织物时触摸振动信号的整体幅值增大；由式(1)和(2)可知，峰值均值和平均功率受触摸振动信号幅值影响，触摸振动信号幅值越大，峰值均值和平均功率越大；结合文[24]可知，织物表面粗糙度越大，触摸振动信号的峰值均值和平均功率越大，粗糙感越强。将主观粗糙感分别与峰值均值和平均功率进行相关性分析，结果表明，粗糙感与峰值均值(相关系数r=0.974，显著性水平p=0.001)和平均功率(r=0.993，p=0.001)均呈显著正相关关系，峰值均值和平均功率越大，对应织物的粗糙感越强。以上分析表明，仿生手指触摸振动信号提取的峰值均值和平均功率均可用于表征织物的粗糙触感，仿生手指具有纹理粗糙度的感知功能。

2) 细密感感知性能表征。

为了研究仿生手指细密度的纹理感知性能，分析了仿生手指触摸振动信号主频率和功率谱重心频率与人的主观细密感的关系，如图 9b所示。可以看出，随着织物表面细密度(表面经纬密度)增大，主频率和功率谱重心频率增大，细密感增强。由式(4)可知，功率谱重心频率受振动频率影响，振动频率越大，功率谱重心频率越大；同时由文[21, 23] 可知，细密度越大的织物，其在与物体相对滑动时的振动频率越高。结合以上分析可知，随着织物表面细密度增大，织物纹理间距减小，仿生手指的振动频率升高，进而导致功率谱重心频率增大，细密感增强。将细密感分别与主频率和功率谱重心频率进行相关性分析，结果表明，细密感与主频率(r=0.971，p=0.001)和功率谱重心频率(r= 0.971，p=0.001)均呈显著正相关关系，主频率和功率谱重心频率越大，对应织物的细密感越强。以上分析表明，由仿生手指触摸振动信号频谱图提取的主频率和功率谱重心频率均可用来表征织物的细密触感，仿生手指具有纹理细密度的感知功能。

3.3 织物触感的主观分类识别和仿生手指的织物分类识别性能

1) 织物触感的主观分类识别。

当采用人体主观分类时，1—6号织物触感的主观分类识别准确率依次为100.0%、93.0%、87.0%、93.0%、80.0%、80.0%。由结果可知，1号织物识别准确率最高，5和6号织物识别准确率最低，6种织物的平均识别准确率为88.8%。

2) 仿生手指的织物分类识别性能。

基于支持向量机模型，利用仿生手指触摸振动信号的特征参数对织物进行分类识别。为了提高识别准确率，增加频段强度特征参数。图 10为6种织物的功率谱图，可以看出，6种织物的频域信息均集中在0~300 Hz，但不同织物在0~300 Hz的振动强度分布不同。将0~300 Hz的功率谱以50 Hz为间隔平均分为6段，先计算每个频段的所有频率分量幅度的平方和，再对平方和取平方根，获得的平方根表示该频段的振动强度，并作为分类特征参数。

选用峰值均值、平均功率、主频率、功率谱重心频率和6个频段强度共10个特征参数作为支持向量机模型的分类参数。使用LIBSVM工具箱搭建支持向量机模型，训练过程需要划分数据样本为训练集和测试集，模型测试选用十折交叉验证法，即在给定的数据样本中，取出大部分样本用作训练样本构建模型，留下少部分样本用于验证模型性能，这能够在最大程度上利用样本进行训练与测试。

图 11为支持向量机归一化混淆矩阵。可以看出，大部分测试样本都能较准确地被识别，只有个别样本出现识别错误。其中，5号和6号织物的识别准确率较低，在所有5号织物的测试样本中，9%的样本被识别为6号织物，而在所有6号织物的测试样本，10%的样本被识别为5号织物，1%的样本被识别为4号织物。原因是5号和6号织物的粗糙度和经纬密度数值接近，同时5号和6号织物功率谱的幅值较低，二者的频段强度差异较小。除此之外，另外4种织物的识别准确率较高，均在92.0%以上，6种织物的平均识别准确率为92.8%。

综上所述，除仿生手指对1号织物的识别准确率低于主观分类识别准确率之外，仿生手指对其余织物的识别准确率均高于主观分类识别准确率，且仿生手指的平均识别准确率也高于人主观分类的平均识别准确率(88.8%)。表明仿生手指的织物分类识别性能优于人主观分类识别织物能力。

4 结论

本文基于液体压强传导原理研发了一种与人手指结构类似，具有硬度、温度和纹理感知能力的仿生手指，利用支持向量机模型实现了仿生手指对织物表面纹理的分类与识别。主要结论如下：

1) 仿生手指与物体接触的压力曲线变化率能够反映物体的硬度，表明仿生手指具有硬度感知功能；仿生手指与物体接触的温度曲线变化率能够反映物体的导热性能，表明仿生手指具有温度感知功能。

2) 触摸织物时，仿生手指触摸振动信号的峰值均值和平均功率能够表征织物的粗糙感，峰值均值和平均功率越大，织物的粗糙感越强，表明仿生手指具有纹理粗糙度感知功能。主频率和功率谱重心频率能够表征织物细密感，主频率和功率谱重心频率越大，织物的细密感越强，表明仿生手指具有纹理细密度感知功能。

3) 基于支持向量机模型，使用峰值均值、平均功率、主频率、功率谱重心频率以及6个频段强度共10个特征参数进行织物表面纹理分类识别，平均识别准确率为92.8%，高于人主观分类的平均识别准确率(88.8%)，表明仿生手指能够对织物表面纹理进行有效识别与分类，且优于人主观分类识别织物能力。