随着人工智能与柔性电子技术的飞速发展，柔性触觉传感器在可穿戴设备、人机交互、具身机器人等领域展现出巨大的应用潜力。然而，现有柔性传感器难以兼具高灵敏度和宽检测范围，且制造工艺复杂、成本高、易磨损。
浙江师范大学工学院鄂世举教授提出一种简单、低成本、可规模化扩展的解决方案，以棉织物为模板，经压印、浸润、冻干、多层封装，制备出由毫米级球凸和微米级纤维组成的多级互锁结构仿生自更新柔性传感器，具有高灵敏度、宽检测范围和超强机械稳定性，为高性能柔性传感器的规模化制造提供了新思路。该成果以”Bioinspired interlocking hierarchical sensor with high sensitivity, megapascal detection, mechanical robustness and intelligent grasp recognition”为题发表于Chemical Engineering Journal (doi.org/10.1016/j.cej.2025.169852)。张昱副教授是文章第一作者，鄂世举教授和杨柏松博士是共同通讯作者，研究生傅多多是本工作重要参与者。
图1：传感器的仿生设计与微观结构。（a）通过压花、打磨和CNTs渗透工艺制备传感器的流程示意图。（b）体视显微镜下观察到的棉毛巾表面规则排列的半球形凸起阵列。（c-e）不同放大倍率的扫描电镜图像，清晰展示了半球凸起上纤维交错形成的多级互锁结构。
自然界中，动物的脚掌、触须等器官通过多级结构，灵敏感知微弱的环境刺激。受此启发，研究团队摒弃依赖昂贵、复杂的传统微纳加工方法，另辟蹊径，选择环保、廉价的棉织物作为模板，通过压花、打磨和孔隙渗透等简单、可规模化生产的工艺，构建了一种独特的双层多级互锁结构柔性传感器。传感器卓越的性能源于科学的双层多级结构设计：棉织物表面有压印的球形凸起，凸起表面是竖立的、相互交织的棉纤维。这种设计不仅极大增加接触面积，还能实现应力逐级传递与分散。同时，两层导电棉织物间的纤维在受压时相互缠绕，形成机械互锁效应，有效防止多层结构常见的层间滑移与分离破坏，具有极高的结构稳定性。此外，当接触面纤维发生磨损，新的纤维暴露，实现可持续地自我更新，大幅增加传感器寿命。
图2：传感机理与性能表征。（a）有限元模拟显示，具有半球凸起的结构比平面结构在相同压力下形变更显著。（b）多级协同传感机制示意图：包括纤维接触、半球凸起变形和CNTs网络变化。（c）等效电路图。（d）不同CNTs浓度对样品电导率的影响。（e）传感器在不同应变下的压力-应变曲线，显示其低迟滞特性。（f）传感器在不同压力区间的灵敏度曲线。
基于其精妙的多级结构与导电网络设计，该传感器展现出卓越的综合性能。在3.4 Pa至10 kPa的压力区间具备高达52.94 kPa⁻¹的超高灵敏度，能清晰捕捉颈动脉脉搏波形（可分辨P、T、D特征峰）；同时拥有延伸至1 MPa的超宽检测范围，实现了从感知羽毛般轻柔触碰到承受整车轮胎碾压的巨大跨越；此外，还表现出21 ms超快响应速度和42 ms超短恢复时间；在经历10,000次50 N的严酷循环压力测试后性能依然稳定，证明了其优异的耐久性。
图3：传感器性能测试。（a-c）有限元仿真证明，表面纤维层能有效抑制侧向力下的结构变形，提升稳定性。（d）阶梯加载下的可靠电信号响应。（e）不同应变下的响应曲线。（f）快速的响应与恢复时间。（g）10,000次循环压力测试。（h）大面积传感阵列。
研究团队对传感器进行了严苛的环境测试。结果表明，无论是100°C高温平台，还是-42.3°C极寒环境，甚至100°C沸水，传感器均能保持稳定的电信号输出，并维持良好的信号稳定性和柔韧性。这种强大的环境适应能力使传感器能够应用于多种复杂、恶劣的工况。
图4：极端环境与重载测试。（a）100°C高温下受压仍能稳定工作。（b）-42.3°C极低温下弯曲仍保持柔性与功能。（c）在常温和极端温度下，电流响应保持稳定。（d-e）在室温水和沸水中弯曲，信号响应可靠，证明其防水性与热稳定性。（f-g）在汽车轮胎碾压测试中，传感器完好无损且信号响应稳定。（h）与以往研究的性能对比雷达图。
为了展示其在智能机器人领域的应用潜力，将五个传感器集成在一只手套的指尖部位，构建一个智能抓取系统。在抓取物体时，传感器实时记录指尖的压力变化，将这些动态压力信号输入一个搭载注意力机制的长短期记忆神经网络中进行算法分析。该AI模型能够精准捕捉抓取过程中的时序特征，最终实现对抓取物体的准确识别，准确率高达98%，显著优于传统的机器学习算法。
图5：基于LSTM-Attention算法的智能抓取识别。（a）集成五个传感器的可穿戴手套示意图。（b）抓取过程中五个传感器通道的实时信号响应。（c）用于分类抓取动作的LSTM-Attention算法模型架构。（d）对不同物体抓取识别的分类准确率。（e）物体分类的混淆矩阵。
论文链接：
https://www.sciencedirect.com/science/article/pii/S1385894725106955?dgcid=author
