SuperTac 仿生多模态触觉传感器
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。
[图片]
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。
[图片]
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：
[图片]
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。
[图片]
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。
[图片]
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。
[图片]
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：
