在机器人领域，触觉一直是个棘手的难题：传统传感器要么分辨率低到摸不清纹理，要么只能测压力却辨不出温度。
近日，清华大学丁文伯团队联合无界智航（Xspark AI）及多所国内外科研机构在《Nature Sensors》上发表的 SuperTac 仿生多模态触觉传感器，直接打破了这个僵局——
借鉴鸽子的多光谱视觉原理，把多光谱成像、摩擦电传感、惯性测量揉进 1mm 的电子皮肤里，不仅能精准识别纹理、材质、温度，还能预判碰撞和滑动，分类准确率超 94%。
让机器人触觉感知第一次有了人类级的细腻度。
01 传统触觉传感器的痛点
在 SuperTac 之前，机器人触觉感知主要分两大技术路线，但都有绕不开的局限：
电子皮肤（e-skin）：分辨率和模态难两全
早期电子皮肤靠密集电极阵列实现多模态感知，但电极一多就会出现信号串扰——测压力时温度数据会飘，辨纹理时位置精度又下降。
而且为了塞下更多传感器，皮肤厚度往往超过 5 毫米，贴在机器人手指上既不灵活，又无法捕捉 0.1 毫米级的细微凸起（比如布料纹理）。
视觉触觉传感器：光谱范围被卡脖子
后来出现的视觉触觉传感器（靠光学成像测形变）解决了分辨率问题，能做到亚毫米级精度，但大多只局限在可见光范围。
比如想通过温度区分刚煮好的杯子和室温杯子，或者靠紫外线识别特殊材质；而且多数只能测压力 + 纹理，像振动、距离这些关键信息根本拿不到。
数据解读：多模态信息各说各话
就算个别传感器能同时测压力、温度、纹理，不同模态的数据也像不同语言的报告——压力数据是数值，纹理是图像，温度是热图，没有统一的解读框架，机器人拿到数据也无法综合判断。
比如摸到一个物体，知道它硬、凉、光滑，却分不清是玻璃还是金属。
▲SuperTac 基于触觉大型模型的垃圾分类任务，其中机器人根据人类的指示清洁桌子，清除垃圾并根据垃圾的类型进行分类以进行回收。
而 SuperTac 的创新，正是从这三个痛点切入：用仿生设计突破感知模态限制，用轻薄结构兼顾分辨率与灵活性，再靠专用语言模型打通数据解读。
02 仿生灵感
SuperTac 的核心创意：鸽子的视觉系统比人类更适合触觉感知。
人类只有 3 种视锥细胞，只能感知可见光；而鸽子有 4 种视锥细胞，能看到紫外线，还能靠视网膜里的特殊分子感知磁场，相当于自带多光谱相机 + 指南针。这种全维度信息捕捉的能力，正是机器人触觉需要的。
▲鸽子视网膜的结构包含视锥细胞和视杆细胞。
于是研究将这个原理移植到触觉传感器上，设计出了三层核心结构，总厚度仅 1 毫米：
导电层：既是电极也是透光开关
用 PEDOT:PSS（一种透明导电材料）涂在 TPU 薄膜上，既保证透光性，又能在接触物体时产生摩擦电信号——
不同材质的物体（比如塑料和金属）接触时，产生的电压信号不同，机器人靠这个就能摸出材质差异。
荧光层 + 反射层：多光谱信息接收器
中间层是紫外线荧光油墨，底层是镀银粉末的反射层，配合不同波长的光源（紫外线、可见光、近红外、中红外），就能实现一皮多用：
▲结构设计与传感机制
可调节气压，适应不同物体
此外，传感器内部有个微型气腔，能通过调节气压改变硬度——测软物体（比如海绵）时调低气压，让皮肤更贴合；测硬物体（比如金属块）时调高气压，避免过度形变影响精度。
03 DOVE 模型让触觉会说话
光能采集数据还不够，机器人需要知道这些数据意味着什么。
比如摸到硬、凉、光滑、黄色的物体，要能判断这可能是个金属杯子，适合装水。
▲触觉语言模型的架构
为了解决这个问题，开发了 DOVE 触觉语言模型（85 亿参数），它的核心能力有三个：
多模态数据融合解读
DOVE 能把摩擦电信号（材质）、温度数据、纹理图像、颜色信息整合到一起，生成自然语言描述。
比如触摸一个杯子后，它会输出：这个物体是黄色的，室温，表面有均匀的凸起纹理，靠摩擦电信号判断材质为金属——就像人类触摸后会口头描述一样。
▲SuperTac 与 DOVE 在人机交互（HRI）中的集成示意图。
物体差异对比推理
如果机器人同时触摸两个物体，DOVE 能找出它们的不同：两个物体颜色和温度相近，纹理相似，但材质不同（一个是塑料，一个是金属），因此是不同物体。这种对比能力，让机器人在分拣任务中效率大大提升。
▲上：通过结合外部视觉与接触、滑动及碰撞传感实现物体的稳定抓取；下：融合材质、纹理、颜色与温度信息，并结合触觉语言模型实现触觉信息理解。
联想判断
它还能结合常识推理物体用途，比如摸到 PET 材质（常用于饮料瓶）、黄色、有光滑曲面的物体，会判断：
这可能是一个饮料瓶，适合装液体，日常用来喝水。
▲触觉语言模型示意图及其在触觉信息理解中的应用。
这种感知 + 推理的组合，让机器人不再是只会执行指令的工具，而是能根据触觉信息自主判断操作方式。
04 6 大维度刷新触觉传感器纪录
实验在力、位置、温度、纹理、材质、振动 6 个核心维度进行了测试，全面超越现有传感器：
▲安装了 SuperTac 传感器的机械手用于感知物体的纹理、温度、颜色和材料，并使用我们训练的触觉语言模型将触觉感受解释为语言。
此外，实验还测试了 48 种 U 型、V 型及多边形形状探针的力感知精度。
还有一个很实用的功能是距离感知：靠摩擦电信号的变化，能在 15 厘米内预判物体是否靠近，避免机器人抓取时碰撞；碰撞检测的准确率也有 94%，相当于给机器人加了一层触觉安全气囊。
此外，将 SuperTac 装在两种机器人平台上做了实测：
三指灵巧手
在工业装配场景中，机器人需要抓取不同材质的零件——比如塑料齿轮、金属螺丝、玻璃镜片。
SuperTac 能实时感知压力和材质：抓塑料时用 0.5N 的力，抓金属时用 1N 的力，抓玻璃时用 0.3N 的力，成功率比传统方案提升 30%。
▲配备 SuperTac 的灵巧手 (a) 灵巧手实物图 (b) 机器人手在 UR5 机械臂上的装配示意图
平行夹爪
在家庭服务场景中，机器人需要处理软物体（比如叠衣服、拿面包）和易碎物体（比如杯子、盘子）。
SuperTac 的气压调节功能在这里派上了用场：夹面包时调低气压，让夹爪更软，避免把面包压变形；夹杯子时调高气压，保证抓稳不滑落；而且靠温度感知，能避开刚从微波炉拿出来的热盘子，防止烫伤（传感器本身耐高温，不会损坏）。
▲配备 SuperTac 的平行夹爪 (a) 平行双夹爪实物图 (b) 夹爪在 UR5 机械臂上的装配示意图
05 待解难题
虽然 SuperTac 的突破很显著，但它并非完美，仍有几个需要改进的方向：
微型化：目前还无法装在机器人指尖
现在的 SuperTac 直径约 32 毫米（相当于一枚硬币大小），主要装在机器人的手掌或夹爪上；
而人类的触觉感知主要靠指尖，未来需要把传感器缩小到 5 毫米以下，才能装在机器人手指上，实现更灵活的操作（比如捏起一根针）。
耐用性：长期使用后性能会下降
研究在进行了 8 万次接触测试后，传感器的信号稳定性还能保持，但超过 10 万次后，导电层的 PEDOT:PSS 可能会磨损，导致摩擦电信号减弱；而反射层的银粉末也可能脱落，影响光学成像。
动态场景适应：无法处理快速运动的物体
目前 SuperTac 的采样频率是 1kHz（每秒采集 1000 次数据），对于缓慢接触的物体（如抓取杯子）足够，但如果物体快速运动（如接住掉落的球），可能会出现数据滞后，导致判断不及时。
06 总结
SuperTac 为机器人触觉感知提供了一套新范式：
用一层皮肤 + 多光谱成像实现多种感知，既简化了结构，又提升了性能。
首次让触觉数据从冰冷的数值变成可理解的信息——机器人不再是摸到什么就是什么，而是能结合常识推理物体的用途和操作方式。这种感知 + 认知的结合，是机器人从工具向助手转变的关键一步。
不过也要清醒地认识到，它离人类触觉还有差距——比如人类能靠触觉感知到物体的质感（如丝绸的顺滑、羊毛的柔软），而 SuperTac 目前还只能靠纹理和硬度间接判断。但不可否认，这已经是机器人触觉感知领域的一大步。
Ref
论文题目：Biomimetic multimodal tactile sensing enables human-like robotic perception
论文作者：Shoujie Li, Tong Wu, Jianle Xu, Yan Huang, Zongwen Zhang, Hongfa Zhao, Qinghao Xu, Zihan Wang, Linqi Ye, Yang Yang, Chuqiao Lyu, Shilong Mu, Xueqian Wang, Zhaoqian Xie, Changsheng Wu, Xinge Yu, Wenbo Ding
论文链接：https://doi.org/10.1038/s44460-025-00006-y
