研究和復制人類的感官能力，例如視覺、聽覺和觸覺(基于觸摸的知覺)感知，需要依賴于合適數據的可用性。通常，數據集越大、越豐富，模型就越能模擬這些感官。

人工視覺和語音系統的進步得益于強大的模型，即所謂的深度學習模型，而無處不在的數字圖像和語音數據庫推動了這一技術的發展。相比之下，觸覺傳感器的進展則十分有限，這主要是因為難以將電子設備集成到柔性材料中。在《自然》雜志的一篇論文中，Sundaram等人報道了他們使用一種低成本的觸覺手套來解決這個問題。

這副手套由一個手形傳感套管組成，該傳感套管連接在針織手套的手掌側，手套上面布置了 548 個傳感器和 64 個導電線電極。該傳感器陣列由一張力敏薄膜和導電線網絡組成。電極與薄膜之間的每一個重合點都對垂直力敏感，并會記錄通過薄膜的電阻。

在Sundaram和同事的研究中，他們戴著這只手套，在3 - 5分鐘的單手操作26件日常物品的過程中，記錄了幾段壓力圖的視頻。這個過程產生了一個詳細的壓力圖數據庫，這可能是此類數據集中最大的數據庫之一。研究人員發現，盡管這種手套的制造成本僅為10美元左右，但這種手套靈活、結實、對微小的壓力變化也很敏感。

為了證明手套能夠捕捉到人手與不同物體間的不同互動，Sundaram等人使用記錄的數據進行了自動對象識別。他們展示了一個最先進的深度學習模型--最初是為大規模圖像分類而設計的--可以從收集的壓力圖中進行學習，從而在盲操作過程中重新識別26個物體。大量的壓力圖及其空間分辨率被證明是成功識別物體的關鍵。

接下來，作者使用手套來拾起物體，并證明了類似的深度學習模型可以估計未知物體的重量。

除了提供了充分研究人類抓取原理的實驗證據外，這種數據驅動的探索還可以提高我們對觸覺功能的理解。深度學習模型極大地提高了我們對視覺對象識別神經機制的認識。在這方面，類似的方法可以應用于大腦觸覺信息處理的解釋。

這種靈活的傳感裝置可能有多種用途，例如，在醫學診斷、個人醫療健康和運動方面。但它也可能影響到假肢和機械手的發展。觸覺反饋在控制手的移動和施加力的方面起著至關重要的作用，因此缺乏觸覺反饋使得人類和機器人都很難實現穩定的抓握力。

我們還知道，為假肢提供觸覺反饋可以幫助減輕對缺失肢體的疼痛的感知，增加對假肢的成為身體一部分的認可，并通過更自然的操作減少控制假肢所涉及的認知壓力。

觸覺傳感器可以裝在假肢戴的手套里，或者直接固定在機械部件上。目前，主要的限制是手套所需的高密度傳感器覆蓋的缺點。其中一個缺點是廣泛的連接——盡管作者使用了行和列的設計來合理地限制這種連接。另一個方面是壓力圖的記錄速度，這可能需要進一步借助應用程序。盡管如此，這種手套為機器人的應用提供了令人興奮的前景。

【來源：前瞻網】