指尖上的六维力传感器为什么只能做到 10 毫米见方

编译自 MDPI Sensors 2025, 25(3), 940　·　开放获取 CC BY 4.0

机械手要拿稳一个易碎的东西，靠的不只是视觉，还有指尖上那一点力。把力传感器做进指尖是很多年的目标，但传感器一缩小，六个轴的灵敏度就开始打架。成均馆大学和 Aidin Robotics 的一篇论文给出了一颗 10 毫米见方的电容式六维力传感器，做法是用一个数学指标把六个轴拉平。

机器人手上，力要在指尖上量

末端力传感器装在手腕上，量的是整只手受到的总力和力矩。这个位置有个绕不开的问题：传感器离接触点越远，接触点的力在传感器上产生的分量越难分离出来。要算清指尖和物体的相互作用，最理想的位置就是指尖本身。

现实里这条路的障碍是体积和成本。商用的六维力传感器装在指尖，尺寸、重量都超出指尖能容纳的范围，价格也高。关节力矩传感器是另一种方案，靠测量每个关节的电流或力矩来估算末端受力，但它依赖对机械臂模型的准确了解，惯性矩阵、科氏力和摩擦都要建模。论文引用的数据是，摩擦补偿的误差能带来两成以上的性能偏差，而且每个连杆都得单独装传感器。

电容式方案在微型化上有优势。电极可以做成印刷电路板上的图案，结构相对简单，不需要在结构里嵌入复杂的应变片。论文走的就是这条路。

传感器一缩小，六个轴就不一样灵敏了

六维力传感器要同时测三个方向的力和三个方向的力矩。理想情况下，同样大小的输入，不管作用在哪个轴上，输出都应该一样，这个性质叫各向同性。

微型化会破坏它。传感器变小之后，结构刚度在各方向上的差异被放大，某个方向的电容变化变得很小，容易被其他方向盖过去。论文点出了一个具体表现：xy 方向的灵敏度相比 z 方向的力灵敏度偏高。而 z 轴恰恰是实际抓取里最要紧的方向，它的灵敏度反而低。灵敏度差异越大，六轴之间的耦合越强，一个方向上的输入会串到别的通道里，精度跟着掉。

所以微型六维力传感器的设计目标，本质上是把一个各方向刚度不均衡的结构，调成各方向尽量接近的结构。这不是选型问题，是要在设计阶段把几何参数定下来。

用条件数把各轴拉平

论文的可变形结构是一个 L 形支撑，力通过它传递到电极上。分析用的是 Castigliano 梁理论，把结构在节点处拆成几段梁，分别算各轴输入下的位移，得到一个柔度矩阵。因为结构在 x、y 方向对称，柔度矩阵是对角的，处理起来相对干净。

有了柔度矩阵，各向同性的程度就有了量化指标。论文把柔度矩阵归一化之后求条件数，条件数越接近 1，六个轴越一致。然后以条件数为目标函数，用序列二次规划去优化五个几何参数，也就是 L 形结构各段臂长和厚度。材料选的是 7075-T6 铝合金，以屈服强度作约束。

优化之后，条件数降到 1.261。这个数字离理想的 1 还有距离，但已经把六轴灵敏度拉得比较齐，比不优化时的偏斜状态好很多。这条路的价值在于，它把"六个轴齐不齐"从一个靠经验判断的事，变成了一个可以拿去优化的数。

图1　L 形可变形结构与九个传感单元的分布，各轴响应的单元数不同（依据原文第 2、3 节绘制）

电极怎么摆，有一条线性准则

结构调好之后，下一层是电极。电容式传感器的电容变化由两个量决定：电极面积和初始间隙。这两个参数怎么选，之前没有通用的准则，多靠试。

论文补上了这一环。做法是先找出一个基准点：在所有轴里，选由 x 方向力引起的电容变化最小的那个点，把它的响应设为基准，得到一个准则平面。在这个基础上，电极面积和初始间隙的关系可以写成一个线性方程，选中一个参数，另一个就跟着定下来。

具体落地上，x 方向对应的传感电极取初始间隙 90 微米、面积 3 平方毫米。整个传感电极由九个单元组成，各轴根据自身响应情况分配不同的单元数：z 方向九个单元都响应，x 方向力矩分配六个，y 方向力矩分配四个，x 方向力只用两个。这种分配让不同轴的信号落在不同的电极组合上，是后续解耦的基础。

标定交给神经网络，精度落在哪里

结构和电极确定之后，还剩一个问题：电容读数怎么变成六个力分量。这中间的映射是非线性的，用解析式写不干净。

论文用的是神经网络标定。网络有两个隐藏层，激活函数用 sigmoid，优化器用 Adam，损失函数是均方误差。输入是九个传感单元归一化后的电容，输出是对应的六个力分量归一化值。参考标准是 ATI 的 Nano-17 商用传感器。

结果方面，论文给出的精度落在 98.23% 到 99.53% 之间。平均误差上，三个力分量是 0.16、0.18、0.24，三个力矩分量是 0.67、0.88、0.90；最大误差要高一些，力分量到 4.5 到 9.9，力矩分量到 6.9 到 10.2。传感器的量程是力 15 牛、力矩 75 牛毫米，通信走 CAN 总线，采样率 100 赫兹。

这些数字要放回语境里看。100 赫兹的采样率对静态抓取和装配够用，但要捕捉接触瞬间的力变化就不够，那需要千赫兹级的采样。神经网络标定精度高，代价是需要一批覆盖各种姿态的标定数据，网络的泛化能力取决于标定覆盖的工况范围。论文没有覆盖温度漂移和长期稳定性，这两项在指尖这种靠近电机和驱动电路的位置上，会影响实际表现。

图2　各向同性优化前后的条件数与六轴标定误差对比（依据原文第 3、4 节绘制）

这条路的边界

把六维力传感器压到 10 毫米见方，靠的不是堆器件，而是把机械结构的刚度分布、电极的几何参数和标定算法当成一件事来设计。条件数这种指标把六轴一致性从经验判断变成一个能优化的数值，这是这篇论文最实用的部分。

边界也清楚。条件数 1.261 说明各向同性只是改善，不是消除，残余的耦合还得靠神经网络去解。传感器的量程和采样率决定了它适合抓取和装配这类任务，不适合高速碰撞检测。要把它用在灵巧手上，还要解决走线和供电怎么塞进指尖。

内容来源：MDPI Sensors 2025, 25(3), 940

原文标题：Design Analysis and Isotropic Optimization for Miniature Capacitive Force/Torque Sensor

作者：Seung Yeon Lee, Jae Yoon Sim, Yong Bum Kim, Dongyeop Seok, Jaeyoon Shim, Hyouk Ryeol Choi

原文链接：https://doi.org/10.3390/s25030940

许可协议：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）

配图说明：图1、图2 为本文依据原文献数据自行绘制。

改动声明：本文在其基础上进行了中文编译与删节，未改变技术结论与原始数据。

来源：21ic电子网

作者：Ayase