Magnetic Tactile-Driven Soft Actuator for Intelligent Grasping and Firmness Evaluation

📄 arXiv: 2512.00907v2 📥 PDF

作者: Chengjin Du, Federico Bernabei, Zhengyin Du, Sergio Decherchi, Matteo Lo Preti, Lucia Beccai

分类: cs.RO

发布日期: 2025-11-30 (更新: 2025-12-02)

备注: 25 pages, 24 figures

💡 一句话要点

提出磁触觉驱动软体执行器SoftMag，用于智能抓取和硬度评估。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 软体机器人 触觉传感 磁驱动 神经网络 力位控制

📋 核心要点

  1. 软体机器人缺乏集成的触觉感知能力，且执行器形变会扭曲传感器信号，限制了其在精细操作中的应用。
  2. SoftMag执行器通过磁触觉传感与驱动的统一架构，并利用神经网络解耦策略，解决了形变带来的触觉信号干扰问题。
  3. 实验验证了SoftMag的性能，并构建双指夹爪，实现了实时力位预测和物体硬度评估，在杏子硬度评估中Pearson r > 0.8。

📝 摘要（中文）

本文提出了一种磁触觉驱动的软体执行器SoftMag，旨在解决软体机器人操作精细物体时触觉感知集成不足以及执行器形变导致传感器信号失真的问题。SoftMag通过共享架构统一了触觉传感和驱动，并解决了机械寄生效应，即形变会干扰触觉信号。论文使用多物理场仿真框架对这种耦合进行建模，并采用基于神经网络的解耦策略来消除寄生分量，恢复传感保真度。实验验证了执行器的性能和解耦效果，包括压痕、准静态和阶跃驱动以及疲劳测试。在此基础上，系统扩展为双指SoftMag夹爪，多任务神经网络能够实时预测三轴接触力和位置。此外，基于探针的策略估计抓取过程中物体的硬度。对杏子的验证表明，夹爪估计的硬度与参考测量值之间具有很强的相关性（Pearson r > 0.8），证实了该系统进行非破坏性质量评估的能力。结果表明，结合集成的磁传感、基于学习的校正和实时推理，可以实现一种能够适应抓取并量化材料特性的软机器人平台。该框架为推进传感器化软体执行器走向智能、材料感知机器人提供了一种方法。

🔬 方法详解

问题定义：软体机器人在操作易损物体时，需要精确的触觉反馈。然而，传统的软体机器人要么依赖外部附加的传感器，要么将传感和驱动分离，导致系统复杂且难以集成。此外，软体执行器的形变会严重影响触觉传感器的读数，产生机械寄生效应，使得触觉信号失真，难以准确感知接触力等信息。

核心思路：论文的核心思路是将触觉传感和驱动集成到一个统一的架构中，利用磁场的变化同时实现驱动和传感。通过在软体执行器内部嵌入磁性材料，并使用外部磁场进行控制，可以实现精确的运动控制。同时，执行器内部的磁场变化可以反映执行器的形变和接触力，从而实现触觉感知。为了解决机械寄生效应，论文采用基于神经网络的解耦策略，学习执行器形变与触觉信号之间的关系，从而消除形变对触觉信号的影响。

技术框架：SoftMag系统的整体架构包括以下几个主要模块：1) 磁性软体执行器：由柔性材料和嵌入的磁性材料组成，通过外部磁场控制其运动和形变。2) 磁传感器：用于测量执行器内部的磁场变化，从而获取触觉信息。3) 多物理场仿真模型：用于模拟执行器的力学行为和磁场分布，为神经网络的训练提供数据。4) 神经网络解耦模块：用于消除执行器形变对触觉信号的影响，提高传感精度。5) 双指夹爪系统：将两个SoftMag执行器集成在一起，实现抓取和物体硬度评估。

关键创新：论文最重要的技术创新点在于将触觉传感和驱动集成到一个统一的磁性架构中，并利用神经网络解耦策略解决了机械寄生效应。与传统的软体机器人相比，SoftMag具有更高的集成度、更小的体积和更强的鲁棒性。此外，论文还提出了一种基于探针的物体硬度评估方法，利用夹爪的接触力和位置信息来估计物体的硬度。

关键设计：在神经网络解耦模块中，论文采用了多层感知机（MLP）作为主要的网络结构。网络的输入是磁传感器的读数和执行器的驱动信号，输出是解耦后的触觉信号。论文使用了多物理场仿真模型生成了大量的训练数据，并采用了合适的损失函数来优化网络的参数。在双指夹爪系统中，论文采用了多任务学习的方法，同时预测三轴接触力和位置信息。此外，论文还对执行器的磁性材料的分布和磁场的控制策略进行了优化，以提高执行器的性能。

📊 实验亮点

实验结果表明，SoftMag执行器具有良好的性能和解耦效果。在压痕实验中，执行器能够准确感知接触力的大小和方向。在准静态和阶跃驱动实验中，执行器能够实现精确的运动控制。疲劳测试表明，执行器具有良好的耐久性。在双指夹爪系统中，多任务神经网络能够实时预测三轴接触力和位置信息，并实现对杏子的硬度评估，Pearson相关系数超过0.8，验证了系统在非破坏性质量评估方面的能力。

🎯 应用场景

该研究成果可应用于农业采摘、食品加工、医疗康复等领域。例如，利用SoftMag夹爪可以轻柔地抓取易损的水果或蔬菜，并评估其成熟度或质量。在医疗领域，可以用于辅助医生进行微创手术或康复训练，提供精确的触觉反馈和力控制。未来，该技术有望应用于更广泛的机器人领域，实现更智能、更安全的机器人操作。

📄 摘要（原文）

Soft robots are powerful tools for manipulating delicate objects, yet their adoption is hindered by two gaps: the lack of integrated tactile sensing and sensor signal distortion caused by actuator deformations. This paper addresses these challenges by introducing the SoftMag actuator: a magnetic tactile-sensorized soft actuator. Unlike systems relying on attached sensors or treating sensing and actuation separately, SoftMag unifies them through a shared architecture while confronting the mechanical parasitic effect, where deformations corrupt tactile signals. A multiphysics simulation framework models this coupling, and a neural-network-based decoupling strategy removes the parasitic component, restoring sensing fidelity. Experiments including indentation, quasi-static and step actuation, and fatigue tests validate the actuator's performance and decoupling effectiveness. Building upon this foundation, the system is extended into a two-finger SoftMag gripper, where a multi-task neural network enables real-time prediction of tri-axial contact forces and position. Furthermore, a probing-based strategy estimates object firmness during grasping. Validation on apricots shows a strong correlation (Pearson r over 0.8) between gripper-estimated firmness and reference measurements, confirming the system's capability for non-destructive quality assessment. Results demonstrate that combining integrated magnetic sensing, learning-based correction, and real-time inference enables a soft robotic platform that adapts its grasp and quantifies material properties. The framework offers an approach for advancing sensorized soft actuators toward intelligent, material-aware robotics.