研究背景：

受人类皮肤机械感受器的启发，柔性压力传感器已成为机器人触觉、生物监测、人机交互及元宇宙等领域的核心底层组件。这些传感器通过摩擦电、压阻、电容或电磁等换能机制，将机械刺激转化为电信号。不同应用场景对传感器性能的需求存在显著差异：例如，呼吸与脉搏监测需要极高的初始灵敏度以捕获微弱信号（<1 kPa）；而机器人作业则更强调在宽量程（如0–300 kPa）内的卓越线性度，以实现精确的力控与反馈。长期以来，传感器的开发主要依赖“结构决定性能”的正向设计范式。研究者通常基于简化的解析模型或大量的“试错法”实验来调整微结构参数。这种方法难以处理材料属性、几何结构与传感器性能之间复杂且非线性的关系，尤其在高维参数空间下，不仅时间成本高昂，且难以平衡灵敏度、线性度及检测范围等多个目标。

文章概述：

近日，浙江大学机械工程学院杨赓课题组提出了一种主动学习加速的触觉传感器定制方法，仅利用少量的实验数据，开发了多目标逆向设计软件，实现了实时按需的触觉传感器定制。该方法不仅大幅提升了设计效率，所制备的传感器更兼具卓越性能：高灵敏度 (1.2 V/kPa)、高线性度 (R2 = 0.999) 以及宽检测范围 (0-400 kPa)，并在脉搏监测、材料识别和机器人抓取等任务中展现出优异的实用性。此外，本研究还利用可解释机器学习揭示了微结构与性能之间的内在关联机制，为微结构的拓扑优化与传感器性能的精准调控提供了理论指导。这项工作为柔性传感器的自动化定制建立了通用范式，有望加速下一代机器人感知系统的发展。

图文导读：

图1. 机器学习驱动的触觉传感器的逆向设计。 (A) 用于定制触觉传感器灵敏度、线性度及工作范围的逆向设计模型；(B) 由机器学习模型驱动的多目标逆向设计方法论示意图；(C) 逆向设计触觉传感器的应用场景；(D) 随着定制传感器数量增加，耗时趋势对比的示意图

图2.触觉传感器设计空间边界的确定和高效探索。(A) 具有四棱锥微结构的PDMS薄膜制备工艺（比例尺：0.5 mm）；(B-C) 完整与缺陷微结构的对比光学显微图（比例尺：0.5 mm）(B)，及其在SVM标签空间中对应的成功（绿点）与失败（红点）案例(C)；(D) 微结构制备成功概率的热图；(E) 数据特征（结构与材料）与标签（压力-电压曲线拟合参数）的示意图；(F) DP-AL算法框架示意图；(G) 经过9轮主动学习循环后，在设计空间中选定的微结构分布情况；(H) 主动学习循环中演化ANN模型的MRE与均一性指标；(I) 两轮主动学习后，采用不同采集函数的ANN模型MRE对比；(J) ANN模型预测传感曲线（虚线）与四个TPS样品实验测量数据（实线）的对比，预测曲线展示了第1、4、7和9轮主动学习的结果，颜色梯度表示循环周期的推进，微结构标签依次为：交联剂浓度、高度（mm）、边长（mm）及密度

图3.传感性能预测模型的可解释性分析与实验验证。(A–C) 在高度-边长子空间内（交联剂浓度 = 0.1，密度 = 0.1），针对不同压力范围的预测灵敏度与线性度：(A) 0–10 kPa，(B) 0–150 kPa，以及 (C) 0–400 kPa，其中颜色映射代表线性度；(D–F) 选定微结构对模型输出影响的 SHAP 值：(D) 灵敏度（0–10 kPa），(E) 灵敏度（0–150 kPa），以及 (F) 线性度（0–400 kPa）；(G) 不同高度（0.2, 0.35, 0.5 mm）的微结构在压力增加下的模拟形变情况（杨氏模量 = 2.4 MPa，边长 = 0.5 mm，密度 = 0.25）；(H) 接触面积，分离距离乘积与压力的模拟关系曲线；(I, J) 交联剂浓度分别为 0.6, 0.9, 1.2 和 1.5 的 PDMS 平面薄膜的 KPFM 表面电势分布

图4.触觉传感器逆向设计UI。(A) 针对不同应用场景的逆向设计流程；(B) 逆向设计用户界面（UI），包含用户定义的传感性能指标 (i)、优化过程与帕累托前沿（Pareto frontier） (ii)，以及沿帕累托前沿均匀选出的代表性微结构 (iii)，其中红色方框标出了基于应用偏好选定的微结构；(C–E) 分别针对 TPS-1 (C)、TPS-2 (D) 和 TPS-3 (E) 的预测、实测及拟合传感曲线，红色数值表示实测数据的灵敏度与线性度；(F) 三种逆向设计微结构的光学及扫描电镜（SEM）表征；(G) TPS-3 与近期发表的同类 TPS（厚度 < 2 mm）的性能对比

图5.触觉传感器逆向设计的泛化性和应用验证。(A) 材料通用性示意图；(B,-C) 分别为 TPU-TPS (B) 与 Dragonskin-TPS (C) 的实测与拟合曲线；(D) 脉搏监测示意图；(E–H) 健康志愿者桡动脉 (E)、桡动脉放大信号 (F)、颈动脉 (G) 及肱动脉 (H) 的脉搏信号；(I) 集成了由压力传感器 (TPS-2) 与材料传感器组成的传感模块的机器人手部示意图；(J) 待识别材料的照片；(K) 12 种材料在相同压力下，材料传感器的电压波形图，其中“+”表示先峰后谷响应，“−”表示先谷后峰响应；(L) 12 种材料的峰峰电压值及压力传感器输出；(M) 材料识别的混淆矩阵（Confusion matrix）；(N) 机器人夹爪抓取泡沫 (1.1 g)、乒乓球 (2.7 g)、鸡蛋 (0.05 kg) 以及不同重量钢块 (0.23 kg, 0.4 kg, 1.09 kg) 时压力传感器的电压信号，插图展示了泡沫和乒乓球的放大电压曲线

研究结论：

团队提出了一种面向触觉传感器的多目标逆向设计方法论，首次实现了触觉传感器的实时按需定制。通过集成基于SVM的预筛选与双阶段主动学习（DP-AL）建模，该方法仅需90个传感器的稀疏实验数据，即可精准预测0-400 kPa全量程范围内的压力-电压响应。配合多目标优化算法，研究开发的逆向设计软件可实时推荐兼顾线性度、灵敏度与量程的帕累托最优微结构。相比已发表的摩擦电压力传感器相关的工作，该研究首次在0-400 kPa全量程内消除了非线性过渡区，实现了连续线性响应，且该方法在TPU、Dragonskin等多种材料上展现出强大的通用性。通过可解释机器学习算法揭示的设计机制也得到了FEA和KPFM的实验验证。未来，该方法有望扩展至超大量程（>1000 kPa）设计及耐用性、响应时间等多维指标优化，为柔性传感器的智能化设计带来革命性变革。

论文信息：

Customizing Tactile Sensors via Machine Learning-Driven Inverse Design

Baocheng Wang, Depeng Kong, Zhiao He, Jikai Liang, Yuyao Lu, Zikang Deng, Honghe Li, Mengke Wang, M. Jamal Deen, Zhiqiu Ye, Shuyao Zhou, Huayong Yang, Honghao Lyu*, Jun Chen, Kaichen Xu, Geng Yang*

Advanced Science

DOI:10.1002/advs.202524250

原文链接：https://doi.org/10.1002/advs.202524250

期刊介绍：

Advanced Science 是 Wiley旗舰期刊 Advanced 系列中的一种完全开放获取的跨学科科学期刊，发表材料科学、物理、化学、医学、生命科学、环境科学、工程和社会科学等领域的前沿基础和应用研究。我们的使命是通过开放获取出版，使前沿创新的科学研究具有更广泛的可访问性。Wiley 的 Advanced 系列是全球公认的高影响力期刊系列，传播来自资深和青年研究人员的科学成果，帮助他们实现使命并扩大科学发现的影响力。

Advanced Science 2025年影响因子为14.1，五年平均影响因子为15.6，期刊引文指标1.74，CiteScore 为 18.1。在 2025年中国科学院院文献情报中心期刊分区表中，Advanced Science 入选综合类期刊一区TOP。