机器人把物体夹起来，只完成了第一步。要在抓取过程中继续调整，它还得知道哪里碰到了物体、接触是否稳定，以及自身已经弯成什么样。

对软体机器人来说，这件事尤其麻烦。刚性机械手拥有清晰的关节，可以安装编码器、力传感器和触觉阵列。软夹爪依靠整块材料变形完成动作，传感器铺少了，感知范围有限；铺得太多，又会增加重量和结构复杂度，影响原本的柔软性。

要兼顾柔性抓取和大面积触觉感知，感知能力需要直接融入夹爪本体。

沿着这一思路，日本北陆先端科学技术大学院大学（JAIST）Van Anh Ho团队联合伦敦国王学院Shan Luo团队，设计出一款受大象鼻尖启发的机器人软夹爪EleTac。

它把抓取、外部触觉感知和本体感知集成在同一套软体结构中。夹爪可以拿起豆腐、布料和卡片，估计接触位置、接触力和局部接触几何，判断自己的手指张开了多少、整体弯成了什么姿态。

相关论文《EleTac: Elephant Trunk Tip-Inspired Soft Gripper with Vision-Based Tactile Sensing and Proprioception》登上机器人领域顶级期刊《IEEE Transactions on Robotics》，Tuan Tai Nguyen与Xuyang Zhang为共同一作。

01.

大象鼻尖，给机器人提供了一种抓取思路

大象鼻子看起来柔软，却能完成相当精细的操作。尤其是鼻尖，两侧的指状结构可以相互靠拢，像两根手指一样捏起树枝、食物和细小物体。与此同时，鼻尖还能通过触觉探索周围环境。

EleTac借鉴了这套“捏取+感知”机制。

它的主体由中空弹性材料制成，末端分成两根柔软手指。真空泵抽气后，内部压力降低，两根手指向中间闭合。手指内部还加入加强筋和类似指甲的结构，防止软体在抽气时直接塌陷。

实验中，研究人员采用固定的30 kPa负压和简单的开关控制，便能抓取不同形状的物品。软材料会顺着物体外形变形，减少对精确轨迹规划的依赖。

一般的这种柔性夹爪适合处理易碎、柔软和尺寸变化较大的物体，但也带来了新的感知难题：软体本身始终在变形，机器人需要分辨哪些变化来自主动闭合，哪些又是外部接触造成的。

EleTac的核心，就是让夹爪能够读懂这些形变。

02.

整只夹爪，都成了视触觉感知表面

首先需要厘清一个定义，这里的“视触觉”指的是基于视觉的触觉感知——通过光学系统观察软体接触层的形变，再由图像处理或学习模型提取触觉信息。具体来讲，“视觉”来自夹爪内部，用于读取材料变形，不同于外部相机识别物体，也不等同于广义上的视觉与触觉信息融合。

此前，一些软夹爪已将视触觉传感器装进指尖、手指内侧或手掌，但感知区域通常集中在安装模块的位置。EleTac进一步把软夹爪内部的弹性表面设计成连续的感知介质。

它由透明弹性内层和带反光涂层的外层组成。内层负责支撑和变形，外层反射内部光线并隔绝环境光。物体按压夹爪时，会留下局部凹陷；夹爪主动开合时，整体轮廓也会发生变化。

内部光学系统把这些变化记录下来，同一组图像由此包含两类信息：外部物体如何接触夹爪，以及夹爪自身正在怎样运动。

研究团队将这套思路概括为“manipulator-as-sensor”，放到EleTac上，更准确的理解是：夹爪本体同时充当传感器。

03.

它能感觉外界，也能感知自己的身体

EleTac拥有几类感知功能。

面对外部接触，它可以估计接触位置、按压深度和接触力，还能区分圆形、圆环、点阵、正方形、条纹和三角形六类局部接触几何。

但是这里识别的是接触区域留下的几何特征，并非判断机器人拿到的完整物体是什么。

为了训练接触估计模型，团队采集了2536张真实触觉图像，几何分类任务则使用了2016张图像。实验显示，接触越充分，软体表面的形变越明显，定位和分类结果通常也越稳定。在6毫米压入深度下，左右指尖的最低平均定位误差分别为2.59毫米和1.86毫米。

EleTac还要解决另一类问题：如何知道自己正在怎样变形。

研究人员使用有限元仿真建立软夹爪模型，再结合CycleGAN和U-Net，从触觉图像中估计夹爪的整体姿态。系统可以推算两根手指之间的距离和夹爪高度，平均误差分别为3.24毫米和2.87毫米。

在抓取不同宽度测试块时，系统估计的手指间距与物体真实宽度的相关系数达到0.96。这意味着，夹爪可以借助自身形变推测所夹物体的尺寸，也能感知物体在夹持过程中是否发生相对移动。

对没有刚性关节的软体机器人来说，这种本体感知补上了关键一环：它终于能大致知道，自己的“手”现在变成了什么样。

04.

夹豆腐只是开始，沙里找笔更能说明问题

研究人员用17类物品测试了EleTac，包括内六角扳手、螺丝、螺母、电缆、布料、番茄、豆腐和卡片。

其中10类物品在10次测试中全部抓取成功。它能拿起厚度不足1毫米的布料，也能从一摞卡片中抽出单张卡片。面对宽度约13毫米的软豆腐，10次抓取全部成功。

它成功拿起的最重物品是一把45.9克的螺丝刀，测得平均夹持力为0.61牛。边界也很清楚。54克的钳子超过了当前夹爪的负载能力；14毫米宽的豆腐则在抬起过程中因自身重量断裂。现阶段的EleTac更适合轻、小、薄和易损物体。

相比夹豆腐，沙中寻物更能体现这套触觉系统的作用。

研究人员将一支直径10毫米的笔埋在约3至5毫米厚的玩具沙下。目标完全被遮挡，外部视觉无法直接定位。

搭载EleTac的UR5机械臂在沙面上逐点按压，通过触觉反馈区分下方是松散沙粒还是硬质物体。系统随后对接触点进行聚类，估计笔的位置和朝向，调整夹爪姿态，再将笔从沙中取出。

探测、定位和抓取，都由同一只夹爪完成。这类能力未来可能用于海滩等视线受阻的场景，寻找被沙粒覆盖的小型杂物。不过，湿沙、水和复杂混合介质尚未得到验证。

团队还让EleTac夹住海绵，沿浅盘、深盘和碗的曲面擦拭。系统根据夹爪形变调整机械臂高度，让海绵持续贴合表面。在这个任务中，夹爪一边抓住工具，一边判断工具和环境的接触状态。

05.

“夹爪即传感器”，目前仍有明显边界

EleTac展示了一种紧凑的软体机器人感知方式，但它仍是一套研究原型。

首先是负载能力有限，更适合轻量、柔软和易损物体。其次，软体结构缺少刚性支撑，物体接触时，局部凹陷和整体晃动可能同时出现，影响位置和受力估计。

实时性同样有提升空间。单独运行一项感知功能时，系统处理速度约为19Hz，全部模型同时运行时，速度降至约8Hz。

研究团队计划进一步统一感知模型，减少多套网络带来的计算开销。为了方便其他研究者复现，团队已经开放EleTac的CAD模型、仿真设置、开发流程、部分数据样本和触觉感知模型权重。

网站链接：https://ho-lab-jaist.github.io/eletac/

EleTac的价值，在于软体机器人的形变同时承担了两种角色：一边完成抓取，一边生成感知信息。夹爪的身体不再只是执行动作的材料，也开始成为机器人认识外界、感知自身的入口。

论文链接：https://ieeexplore.ieee.org/abstract/document/11581352