登Science期刊，觸覺傳感模擬器SimTac，仿生機器人設計周期縮短

如果機器人能長出一只貓的爪子、一條章魚的觸手，甚至是大象的鼻子，它們的觸覺會是什么樣子？它們能用這些仿生結構感知物體的紋理、力度和滑動，像生物一樣自適應地與環境互動嗎？

這聽起來像科幻，但一個名為SimTac的仿真平臺正把它變成現實，近日，倫敦國王學院、北京理工大學、倫敦大學學院和葡萄牙INESC TEC研究所的團隊在期刊《Cyborg and Bionic Systems》上發表論文，提出了一個能夠模擬任意形狀視覺觸覺傳感器的物理仿真框架。

它讓機器人觸覺傳感器第一次可以“長成”任何生物形態，并在虛擬世界中提前感知它們的觸覺體驗，這種方法可以將觸覺系統的設計和訓練時間大幅縮短。

01.

觸覺傳感器的“形體危機”

“雖然人腦天生就知道抓取草莓和棒球棒之間的區別，并施加不同的力度，但機器人卻不具備這種能力。”論文作者、倫敦國王學院機器人與人工智能教授Shan Luo說，“這導致機器人在處理各種復雜形狀時遇到困難。”

生物的觸覺與形態密不可分：人類手指有柔軟的指腹和關節，貓的爪子有彈性肉墊，章魚觸手布滿吸盤，大象鼻尖有兩根指狀突起能捏夾持和抓取各種物體。這些復雜結構賦予了它們與環境交互的非凡能力。

反觀機器人領域，主流的視覺觸覺傳感器，將相機藏在軟膠皮下，通過拍攝接觸變形來感知觸覺。絕大多數只有兩種形狀：平面方塊或半球。即便有少數手指形狀的傳感器，也往往需要反復試錯、多次硬件迭代才能勉強工作。

為什么？因為復雜曲面帶來的挑戰太大了。

與簡單幾何形狀不同，自然和有機形態具有更復雜的幾何結構，使得傳感器在接觸物體時產生的形變難以建模和估計。更麻煩的是，要在這些曲面內部集成攝像頭和LED燈，還要保證光線路徑可控、接觸區域成像清晰，幾乎是不可能完成的任務。

而基于學習的機器人感知方法又需要海量數據，靠真實傳感器一個一個采集，成本高、周期長，傳感器磨損了都未必夠。

02.

SimTac：讓觸覺傳感器“任意生長”

面對這些難題，研究團隊給出的答案是：SimTac，一個基于物理的視覺觸覺傳感器仿真器。它的核心目標只有一個，讓觸覺傳感器可以擁有任意復雜的仿生形態，并在虛擬世界中精確模擬其觸覺響應，進而把設計和迭代從物理世界搬進數字世界。

SimTac由三大模塊構成，分別解決了“任意曲面”下的三個核心難題，形成一個完整的仿真閉環。

第一，粒子形變仿真。他們把傳感器的軟膠皮離散成無數個粒子，每個粒子都帶有質量、動量、應力等物理屬性。當物體接觸時，采用“物質點法”迭代計算每個粒子的運動。這樣一來，不管傳感器是彎曲的象鼻、有肉墊的貓爪，還是帶吸盤的章魚觸手，都能準確模擬變形。

第二，光場渲染。SimTac提前計算兩種光場，沿直線傳播的線性光場和沿曲面傳播的非線性光場，再結合馮氏光照模型（Phong's model）實時渲染出觸覺圖像。結果很顯然：仿真圖像與真實圖像幾乎無法區分。

第三，神經網絡力預測。光有圖像不夠，機器人還需要知道接觸力的分布。用傳統的有限元法（FEM）算力，網格一密就慢得無法實時。SimTac的解決方案是：讓MPM算變形，把變形數據喂給“稀疏張量網絡”（STN），網絡輸出與FEM精度相當但速度快得多的力場。

這三塊拼起來，SimTac做的不是換個形狀接著仿，而是把任意形狀這件事，從不可能變成了可能。

通過 SimTac 連接生物和人工觸覺傳感

03.

從象鼻到貓爪：仿真和現實對上了

SimTac最直觀的展示，是它能模擬什么樣的形狀。研究團隊一口氣展示了四種生物形態的傳感器。

人類手指：高曲率、全方位感知表面，已有GelTip傳感器作為實例；

貓爪：帶有肉墊結構的復雜曲面；

章魚觸手：柔軟、帶吸盤的管狀結構；

象鼻：尖端有兩個“手指”狀突起，能捏取物體。

他們甚至真的按照仿真設計，制作了一個象鼻形狀的觸覺傳感器。流程是這樣的：先在SimTac里設計硅膠膜、指定LED和攝像頭參數、定義驅動面和接觸條件，然后生成觸覺反饋圖像。接著，按照仿真參數去3D打印模具、澆筑硅膠、涂反射層、裝配，一個仿生象鼻觸覺傳感器就這樣從虛擬世界“走”了出來。

對比仿真和真實的觸覺反饋：物體接觸時，變形區域的光影變化、象鼻“手指”閉合時的主動變形過程，兩者高度一致。SimTac甚至能模擬傳感器在執行抓取動作時的主動形變，這是以往仿真工具從未做到的。

04.

虛擬數據，解決真實世界的難題

能做新奇形狀固然好，但仿真更務實的價值是：生成訓練數據，然后遷移到真實任務中。研究團隊在手指形狀的GelTip傳感器上，測試了三個典型的觸覺感知任務：

任務一：物體形狀分類。

用仿真圖像訓練ResNet50模型，然后零樣本遷移到真實傳感器。Sim2Real準確率97.0%，只比Sim2Sim（100%）低三個百分點。誤分類主要發生在形狀相似的物體上，比如平板壓頭和輕微曲面，廣角鏡頭造成的畸變讓它們看起來更接近。

任務二：滑移檢測。

輸入8幀連續的觸覺圖像，判斷物體是否在滑動。滑動的關鍵特征是：物體輪廓在動，但傳感器表面的標記點幾乎靜止。Sim2Real準確率92.06%。這個任務在真實世界做代價挺大，滑動的物體可能會刮傷傳感器那層薄薄的反光膜。

任務三：接觸安全評估。

用觸覺圖像預測安全系數。Sim2Real的平均絕對誤差0.105。誤差來源很真實：3D打印的真實物體有仿真里沒有的表面紋理；壓深增加時圖像整體變暗；部分接觸超出相機視野。

基于觸覺的 Sim2Real 任務性能評估

這些任務之所以能用仿真數據做，前提是SimTac把“任意形狀下的觸覺信號”算準了。先有精準的仿真，才有可信的遷移。

05.

未來：機器人觸覺，從“形似”走向“神似”

SimTac的出現，填補了一個明顯但長期被忽視的空白：視覺觸覺傳感器的仿生形態設計工具。

過去二十年，觸覺傳感器從單點、陣列進化到視覺式、高分辨率；形狀從方塊、半球進化到手指形。但再往前，章魚觸手、象鼻、貓爪，缺乏設計工具和數據生成手段，進化不動了。

SimTac的邏輯是: 借助仿真預先對復雜形狀傳感器進行建模，渲染和力學預測，避免在現實環境中試錯，從而縮短設計周期。在這個框架里“長”出想要的形態，看它如何感知世界，然后拿去真實世界制造。

“這極大地拓展了設計空間，并能讓我們以極短的時間創造出實體觸覺機器人。”張旭陽說。

當然，它還有局限：神經網絡的訓練依賴FEM真值數據，對于全新形狀的傳感器，高網格密度的數據收集仍需要幾天時間。團隊下一步計劃是優化數據收集效率，并向驅動器仿真、復雜動態接觸擴展。未來的工作將集中于制造完全仿生觸覺機器人，并在當前研究中展示的擴展設計和訓練框架的基礎上進行發展。

當機器人的皮膚可以長成任何形狀，它們的感知和交互能力將迎來一次重要的拓展。未來的機器人，或許真的能像生物一樣，用自己的“皮膚”去感受這個世界。

論文鏈接：https://spj.science.org/doi/10.34133/cbsystems.0510

項目主頁：https://xuyangzhang0223.github.io/SimTac/