触觉感知在生物体的运动和控制中起着至关重要的作用。与视觉、声音或本体感觉不同，触觉能够在接触点提供感知，使生物体能够感知和推理力和压力。然而，在机器人学习的文献中，触觉感知并未得到足够的重视。现有的机器人学习工作主要依赖于视觉感知和本体感觉来训练操作技能，而触觉感知往往被忽视。
近日纽约大学的研究人员提出了一项新的设计方式，开发了一种低成本、耐用的传感器AnySkin，这款传感器易于组装和集成到机器人系统中。目前该研究论文已在arXiv预先发表。
▍ AnySkin传感器设计原理
触觉传感器在机器人中应用受限的原因主要有三个：成本、便利性和一致性。
我们知道，触觉传感器往往由于昂贵的制造工艺或高端组件的需求而成本高昂。在传感器集成方面，通常需要为特定的机器人末端执行器定制，并且受到形状和尺寸的限制。另外，触觉传感器通常做不到很好的一致性，即使通过相同的工艺生产，传感器特性也可能存在较为明显的差异。
现有的触觉传感技术包括电容式传感器、电阻式传感器、MEMS基传感器和光学传感器等。每种技术都有其独特的优势和局限性。例如，电容式传感器具有高灵敏度，但难以建模剪切力且易碎；电阻式传感器简单耐用，但空间分辨率低；MEMS基传感器具有多功能性，但成本高昂且制造工艺复杂；光学传感器能够捕获高分辨率的接触信息，但对传感器形状和尺寸有严格的限制。
在可替换性方面，现有的触觉传感器大多依赖于软传感接口以实现与环境中物体的稳定接触。但是软接口在频繁接触交互中容易磨损，而关于触觉传感器可替换性的讨论却很少。此外可替换性评估主要考虑两个因素：一是更换传感接口的物理便利性，二是新旧实例之间的信号一致性。前者通常通过简单地将传感接口（通常是易损的软弹性体）与传感电子元件分离来解决，而后者则较少讨论。
纽约大学打造的AnySkin基于ReSkin传感器进行改进，ReSkin是一种由软磁化皮肤与基于磁力计的传感电路组成的触觉皮肤。通过检测磁场畸变，ReSkin能够测量由法向力和剪切力引起的皮肤变形。AnySkin保留了ReSkin的5个磁力计电路，同时对皮肤的设计和制造进行了关键改进，以提高耐用性、重复性和可替换性。
AnySkin的改进包括：使用脉冲磁化器对皮肤进行后固化磁化、在磁性弹性体和磁力计电路之间引入物理分离、使用更细的磁性颗粒以实现更均匀的颗粒分布、实现自对齐设计以减少弹性体和电路定位的可变性。这些改进旨在提高AnySkin的信号一致性和可替换性。
AnySkin的制造基于磁性弹性体材料，这种材料通过将磁性颗粒与硅树脂混合并固化而成。在制造过程中，需要准备模具，模具的形状决定了磁性皮肤的最终形状。为了创造出易于自我粘附的皮肤，研究人员设计了一种两部分的模具，其中皮肤厚度为2毫米，形状设计为三角形，以提高其精确操作能力。
接下来，将磁性微粒和两部分聚合物（如Smooth-On的Dragonskin 10Slow）按照特定比例混合。研究人员使用的是更细的Magnequench MQFP-15-7（25μm）磁性颗粒，这些颗粒大约是ReSkin传感器使用的颗粒的100倍，因此在固化前不会因重力作用而沉淀到皮肤的一侧，从而确保了磁性颗粒在皮肤体积内的均匀分布，提高了信号的一致性。
混合后的材料被倒入模具中，并通过真空室施加压力以去除气泡，确保皮肤材料的均匀性和质量。模具在真空室中保持一段时间，让材料充分固化。固化完成后，打开模具并修剪多余的材料，从而得到完全固化的AnySkin皮肤。
为了增强皮肤的磁性，研究人员使用脉冲磁化器对皮肤进行磁化处理。与传统的在固化过程中使用磁铁网格进行磁化的方法相比，脉冲磁化器能够产生更强的磁场，使磁性偶极子更加充分地磁化，从而提高了皮肤的磁性场强度。这种磁化方法还允许皮肤与磁强计电路之间实现物理分离，提高了传感器的耐用性和可替换性。
AnySkin的最后一个环节是将磁强计电路与磁性皮肤通过自对齐设计进行集成，无需使用粘合剂或紧固件，进一步简化了集成过程并提高了信号的一致性。这种自粘附设计使得AnySkin能够轻松拉伸并适应各种表面，同时紧密贴合，赋予皮肤传感能力。
▍ 实验结果与论证
为了验证AnySkin的综合性能，研究人员实验验证了AnySkin作为触觉传感器的能力及其在策略学习中的应用情况。
在信号特性比较实验当中，AnySkin在信号强度和一致性方面均优于ReSkin。脉冲磁化器能够明显提升磁场强度，允许在传感皮肤和传感电子元件之间添加物理分离，从而提高了可替换性和信号重复性。更细的磁性颗粒减少了信号变异性，而自对齐设计则减少了由于不对齐引起的信号变异性。
在滑动检测实验中，AnySkin能够以92%的准确率在未见过的对象上检测滑动。可替换性比较实验显示，用户发现更换AnySkin比更换其他传感器（如DIGIT和ReSkin）显著更快且更容易。此外，消除粘附允许更换后的皮肤重复使用而无需额外的粘附和固化时间。
策略学习实验，AnySkin在跨实例泛化方面表现出色。在三个精确操作任务（插入插头、信用卡刷卡和插入USB）中，使用AnySkin训练的策略在更换皮肤后性能仅下降平均15.6%，而使用ReSkin训练的策略性能下降了43%。这表明AnySkin在信号一致性和可替换性方面优于ReSkin。
▍ 结语与未来：
纽约大学打造的新型磁性触觉传感器AnySkin，为触觉感知在机器人中的应用提供了新的可能性。它不仅能够简化触觉传感器的集成和更换过程，还能够提高基于触觉的数据收集和利用效率。随着机器人技术的不断发展，AnySkin有望成为触觉感知在机器人中广泛应用的重要推动力量。
