机器人想要像人一样灵巧地抓取物体，一个绕不开的难题是：怎么让它精确"感觉"到接触面上每一个微小的凸起和压力变化？
现有方案往往面临一个根本性的两难：想要高分辨率，就难免牺牲响应速度；想要实时，分辨率又容易打折扣。如今，来自伦敦玛丽女王大学和佛罗伦萨大学的研究团队，提出了一个思路极为直接的方案——用一层16微米厚的"变色"弹性体，把机械应变直接编码成颜色，让摄像头一拍就能读出高分辨率的压力地图。
无需深度学习增强，无需多级图像处理流水线，就实现了约100微米的空间分辨率和实时响应。
相关论文以"High-resolution real-time mechanochromic tactile sensors"为题，于2026年7月3日发表在国际权威期刊Science Advances上。
触觉传感器对机器人来说至关重要——无论是抓取一颗鸡蛋还是操纵一把钥匙，都需要实时、高分辨率地感知接触区域的形貌和压力分布。
目前主流方案大致分两条路线。第一条是基于taxel阵列的方案（电容式、电阻式、压电式等），它们把机械变形转化为电信号，响应速度快，可以实时工作。但问题在于，空间分辨率受限于taxel的尺寸、间距和布线，即便借助深度学习做"超分辨率"，目前也很难突破1毫米量级。
第二条路线是基于视觉的触觉传感，典型代表是TacTip和GelSight。它们用摄像头替代taxel阵列，通过追踪标记点位移或分析方向性光照反射，来重建接触面的三维形貌。分辨率可以做到100微米量级，但代价是需要一套复杂的处理流水线：光度标定、光照归一化、表面法线估计、深度重建、空间映射……这些计算步骤不可避免地引入了延迟。
简而言之，现有技术面临一个根本性的权衡：高分辨率和实时性很难兼得。研究团队的思路是：既然瓶颈在于从原始图像到三维接触地图的"翻译"过程，那能不能让传感器本身就直接输出一张"可读"的压力图像，省掉中间所有计算？
答案就是机械致变色（mechanochromic）材料。
这项工作的核心是一种可拉伸的布拉格反射体。它是一层仅16微米厚的光弹性体薄膜，通过利普曼摄影术（Lippmann photographic technique）制备而成。
制备过程并不复杂：在暗室中，将光弹性体薄膜铺在不锈钢反射衬底上，用635纳米红色激光照射7分钟。激光从衬底反射后形成驻波，在薄膜厚度方向上产生周期性的光聚合差异，最终形成一种折射率周期性调制的纳米多层结构。
这种结构本质上就是一个布拉格反射器。当白光照射时，各纳米层界面的反射光发生干涉，只有满足布拉格条件的特定波长会被增强反射出来——这就是结构色的来源。
结构色在自然界并不罕见——肥皂泡、蝴蝶翅膀、CD光盘都是同一个原理
关键在于：当薄膜被拉伸或压缩时，纳米层间距改变，反射波长随之连续变化，从红色到绿色再到蓝色，横跨整个可见光谱。
传感器的完整结构是一个"三明治"：最外层是黑色弹性体（增强色彩对比度、屏蔽外部光线），中间是这层变色弹性体，最里层是透明弹性体，底部耦合到刚性透明基板上。摄像头从内侧透过透明层观察变色层的颜色变化。
当外部物体按压传感器表面时，局部应变传导到变色层，引起对应位置的结构色改变。摄像头每拍一帧，就直接得到一张色彩编码的应变/压力地图——整个过程中，没有光度立体、没有法线积分、没有深度重建，信息从机械域到光学域的转换是即时的。
由于变色效应的物理本质是结构性的，其响应时间仅受制于弹性体的黏弹性弛豫时间常数（约1毫秒量级），传导过程本质上是准瞬时的。
研究团队用这种传感器分别按压了人的指尖、一枚一便士硬币和一片树叶。结果显示，在使用单反相机的条件下，传感器能够清晰分辨指纹的脊线、硬币表面的浮雕文字、以及叶片的脉络结构，空间分辨率达到约100微米——与目前最先进的GelSight类传感器相当。
但关键区别在于：这个分辨率是在没有任何深度学习图像增强的情况下直接实现的，也没有对材料（弹性模量、层厚、变色灵敏度）或相机（分辨率、光谱响应）做任何针对性优化。研究者认为，未来通过定向优化这些参数，分辨率还有进一步提升的空间。
团队还系统研究了传感器构型对性能的影响。通过改变黑色弹性体层厚度h1h_1h1与透明弹性体层厚度h2h_2h2的比值，他们发现了一个有趣的设计权衡：当变色层更靠近接触表面时（低厚度比），应变集中在压痕边缘，空间分辨率高，适合精细形貌映射；当变色层更深时（高厚度比），应变分布更均匀，适合区域平均压力测量。
在压力传感验证实验中，研究者将传感器做成书写板，让受试者用3毫米平头触控笔书写"HELLO"和绘制星形图案。传感器输出的压力信号与参考力传感器的测量结果高度吻合，皮尔逊相关系数分别达到0.97和0.93，归一化均方根误差约为9-10%。传感器的最大压力灵敏度约为1.4 MPa⁻¹。
为了验证实际应用可行性，团队还制作了一个概念验证原型：将变色双层薄膜（仅5毫米直径的圆形贴片）涂覆在透明硅胶指尖表面，内部集成一个带LED环的微型摄像头。当这个机器人手指按压硬币表面时，内部摄像头实时捕捉到清晰的色彩变化图案，直接转化为三维色相（Hue）地图。
这意味着，整套传感系统仅需要：一层变色薄膜 + 一层黑色背衬 + 一个摄像头 + 一个光源。不需要复杂的多方向照明系统，不需要GPU做实时推理，不需要精密的光学标定流程。这种内在的简洁性，让该技术具备了在机器人手、夹具、甚至医疗器械中大规模应用的潜力。
当然，研究者也坦诚指出了当前的局限：结构色具有角度依赖性（虹彩效应），当摄像头以较大角度观察传感区域时，颜色读数会产生偏差。在目前的测试中，通过增大摄像头与传感面的距离来缩小观察角度，这一问题可以忽略不计。但如果要做更紧凑的集成设计，就需要角度补偿校准策略，或者开发非虹彩型变色弹性体。
此外，疲劳耐久性和迟滞效应也是未来需要重点考察的方向，不过由于变色机制源于材料的结构特性而非化学反应，预期寿命应与弹性体本身的机械寿命一致。
总的来说，这项工作展示了一种几乎"零计算开销"的高分辨率触觉传感路线。当整个领域都在讨论如何用更强的深度学习模型来提升传感精度时，这篇论文提醒了一个朴素但有力的逻辑：如果传感器本身就能输出最终需要的信息，为什么还要绕路去"算"？
研究者指出，这种技术除了用在机器人灵巧操作和医疗器械等方面，还有望用于产品表面缺陷的自动化触觉检测——尤其是那些靠视觉难以检查的场景，比如透明材料或高反光表面上的微小划痕。
论文链接：
https://www.science.org/doi/10.1126/sciadv.aee5236
