太原理工大学AM：自供电液体传感器问世，让机器人同时拥有“触觉”和“味觉”

在推动机器人迈向更高智能化水平的进程中，如何让机器像人类一样，通过“触觉”感知物体的物理属性，又通过“味觉”分析液体的化学组成，一直是科研界探索的前沿课题。然而，实现这一目标面临双重挑战：一方面，传统传感器依赖外部电池供电，增加了维护成本与环境负担；另一方面，现有的基于摩擦伏特效应的固态传感器虽能实现自供电，但受限于接触分离模式下仅数百纳安级的微弱电流输出，其灵敏度难以满足精细感知需求，且持续的滑动摩擦易造成器件磨损，影响长期稳定性与准确性（图1a）。

针对上述瓶颈，太原理工大学边桂彬‌教授、‌中国科学院北京纳米能源与系统研究所王杰研究员合作，开发出一种新型的自供电液体摩擦伏特纳米发电机传感器（LTVNGS），该器件巧妙地将滑动与接触分离两种工作模式相结合，通过引入低电阻率的液体（如水或氧化石墨烯水分散液）来调控金属-半导体界面，成功将接触分离模式下的电流输出从固态接触的数百纳安级显著提升至12.3微安，灵敏度实现了质的飞跃。研究团队还引入深度学习模型，使该系统在机器人触觉材料识别与味觉液体辨别中均取得了超过98%的平均识别准确率（图1b），为智能机器人感知系统提供了全新的科学框架与技术路径。相关论文以“Self-Powered Liquid TVNG Sensor for Robot Tactile and Gustatory Dual-Mode Sensing System”为题，发表在Advanced Materials上。

该LTVNGS的核心设计灵感源于人类皮肤和味蕾的感知机制。其三维结构由电极材料、液体、砷化镓（GaAs）半导体及其背金电极构成（图1c）。器件工作时，铜块（模拟机械运动）与半导体之间的液体（水或GO溶液）扮演了关键角色。研究阐明了其双重工作模式：一是铜块不与半导体直接接触时，液体在GaAs表面的水平滑动产生摩擦伏特效应（图1d(i)）；二是铜块下压，透过液层与GaAs发生接触-分离，同时集成了液体滑动与固-固接触分离两种摩擦伏特效应（图1d(ii)）。即便界面存在液体，该器件依然保留了肖特基结的整流特性（图1e），其等效电路如图1f所示，为其稳定产生直流电信号奠定了基础，短路电流输出如图1g所示。

图1 自供电LTVNGS提供双模态触觉和味觉感知。(a) (I) 受人类皮肤启发的触觉传感器原理示意图（以梅克尔细胞为例）。(a) (II) 受人类味觉启发的味觉传感器原理示意图。(b) 深度学习辅助的机器人触觉与味觉双模态传感器——LTVNGS。(c) LTVNG的三维结构图。(d) LTVNG可等效分解为两个TVNG以解释其关键机理。(e) LTVNG界面含水时的I-V曲线。(f) TVNG的等效电路图。(g) LTVNG的短路电流。

为了深入揭示其工作机理，研究团队对LTVNG的运动过程与电信号输出进行了精细解析（图2a）。当铜块向下移动并接触位于P型GaAs上的水滴时，系统在毫秒级时间内迅速响应。整个过程分为四个阶段：铜块接触水滴（阶段1）、铜块继续下压直至与GaAs接触并分离（阶段2，此时电流达到峰值）、铜块上升脱离水滴（阶段3）、以及铜块完全复位（阶段4）（图2b,c）。特别值得一提的是，通过接触角测试仪测得0.5毫升水滴在P型GaAs上的接触角约为95.35°，基于球冠模型的理论计算得出液滴高度约为6.49毫米，这与实验观测到的6.2毫米高度高度吻合（图2d），证明了LTVNG可通过电信号预测界面液滴高度的能力。

在电荷转移机制层面，研究指出，当铜块接触液滴时，由于材料功函数差异，电子从水侧转移至P型GaAs，在界面形成内建电场（图2e-i）。液体滑动摩擦过程中，界面处新化学键形成并释放能量（称为“结合子”），激发电子-空穴对，并在此内建电场作用下分离，产生连续直流信号（图2j,k）。当铜块进一步接触GaAs时，液体的滑动摩擦与铜-GaAs的接触分离摩擦共同作用，使得更多的电子-空穴对被分离并提取，从而输出峰值电流（图2l）。这一发现系统地揭示了LTVNG在多模式下的摩擦伏特效应关键机理。

图2 LTVNG中的固-固非接触/接触阶段及其关键机理。(a) LTVNG运动的位移、速度及对应电流信号。(b,c) 接触分离LTVNG在阶段（1）、（2）、（3）和（4）运动示意图。(d) 理论计算得到的LTVNG水液滴高度与(a)中实验数据所得结果无显著差异。(e–h) LTVNG一个接触分离运动周期内的电荷转移示意图。(i) 当Cu接触水时，水相对于P型GaAs产生摩擦伏特效应及电子转移示意图。(j) Cu与P型GaAs接触点摩擦伏特效应的电子云示意图。(k,l) Cu向下运动接触水(k)及随后接触P型GaAs(l)的能带图。

在机器人触觉感知应用方面，研究团队将LTVNGS与卷积神经网络（CNN）深度学习模型相结合（图3a,b）。实验中，当不同材料（如N型硅、ITO、铝、铜和导电织物）与带有水滴的P型GaAs接触分离时，系统采集到各具特征的电信号（图3c）。统计显示，其平均电流信号分别为-0.16、-0.22、-1.69、-2.29和-5.59微安（均为四舍五入值），区分度明显（图3d）。通过构建的CNN模型进行训练与测试，该系统对五种材料的识别准确率达到了100%（图3e）。为进一步可视化分类效果，团队采用t-SNE降维方法对数据进行分析，结果显示不同材料的特征数据在空间中形成了清晰、独立的簇分布（图3f），充分证明了该触觉传感器在复杂环境下进行高可靠性、强判别性材料识别的潜力。

图3 深度学习辅助的LTVNGS用于机器人触觉材料识别。(a,b) 深度学习辅助的机器人触觉传感系统包括(a)训练和(b)测试过程。(c) LTVNGS在稳态下与不同接触分离动子材料接触时的输出信号。(d) LTVNGS与各种接触分离材料在稳态下的输出信号及统计均值分布。(e) 深度学习辅助材料识别的混淆矩阵。(f) 聚类分析结果。

为提升LTVNG的输出性能，研究团队引入了氧化石墨烯（GO）水分散液替代纯水作为界面液体（图4a）。原子力显微镜（AFM）图像显示，Cu片和N型GaAs表面均存在明显的微观粗糙度（图4b,c），而液体恰好能填充这些非接触间隙，提高界面接触效率。实验数据表明，使用水时输出电流约为5.08微安（图4d），而使用GO水分散液时则跃升至约12.21微安（图4e）。通过拉曼光谱（图4f）、XPS（图4j）和SEM/AFM（图4h,i）等表征手段，研究揭示了性能增强的内在原因：GO中sp²碳区域提供了电荷传输通道，而含氧官能团和结构缺陷（sp³碳）则作为电荷捕获与交换的活性位点（图4f、g、j），加之其褶皱的层状结构增大了有效摩擦面积，这些因素协同促进了界面电荷的生成与分离效率（图4k-m）。

图4 氧化石墨烯（GO）分散液对LTVNG的性能增强及其潜在机理。(a) GO分散液滴加在摩擦材料与Cu/N型GaAs的界面处。(b) Cu薄膜的原子力显微镜（AFM）图像。(c) N型GaAs的AFM图像。(d,e) 界面为水和GO分散液时Cu与N型GaAs间的电信号。(f) GO的拉曼光谱。(g) GO的结构示意图。(h,i) GO的SEM和AFM图像。(j) GO的X射线光电子能谱。(k) LTVNG（Cu、GO分散液和N型GaAs）的工作原理。(l,m) Cu接触GO分散液及随后接触N型GaAs的能带图。

基于上述液体增强策略，研究团队进一步开发了固-固非接触式的LTVNG味觉传感器，该模式仅通过铜块与液体的瞬时接触即可产生响应信号（图5a），从根本上避免了固-固直接接触带来的磨损问题，提升了稳定性和寿命。实验选取了食用油、水和GO水分散液三种电阻率差异显著的液体（图5f,g）。测试结果显示，食用油（电阻率高达7.87×10⁸ Ω·m）仅产生约0.06微安的电流（图5b），水（111.77 Ω·m）产生约1.05微安（图5c），而GO水分散液（9.58 Ω·m）则产生约5.38微安（图5d），电流大小与液体导电性呈正相关，各液体多次测试的统计分布如图5e所示。研究明确指出，导电性是重要因素但并非唯一创新点，GO材料本身的特性同样贡献了性能提升。随后，利用CNN深度学习模型对这三种实验室液体进行识别（图5h），准确率同样达到100%（图5i）。此外，团队还测试了日常生活中常见的咖啡、牛奶、芥末酱、乌龙茶、盐水等七种液体（图5j,k），LTVNGS的平均识别准确率约为98.28%，展现出类似人类味觉的广谱识别能力。研究还发现，当液体体积作为变量时，识别准确率会有所下降，这恰恰证明了CNN模型提取的是包含幅值差异在内的综合性特征信号，而非单一参数。

图5 基于固-固非接触LTVNG的液体增强型味觉传感器。(a) 人类味觉形成的重要受体——味蕾-味觉传感器。(b-d) 味觉LTVNGS检测不同液体的电信号，插图为0.25毫升不同液体在N型GaAs上的接触角。(e) 机器人通过其味觉传感器LTVNGS重复检测不同液体产生的电信号分布。(f, g) 液体食用油、水和GO分散液的电导率和电阻率测试结果。(h) 机器人通过味觉（LTVNGS）识别液体的流程图。(i) 深度学习辅助味觉识别（实验室液体）的准确率混淆图。(j, k) 深度学习辅助味觉识别（日常常见液体）的准确率混淆图及聚类分析。

综上所述，这项研究成功构建了一种集滑动与接触分离模式于一体的自供电LTVNGS，通过液体界面工程将传感器灵敏度提升了两个数量级以上。该系统不仅实现了对界面液滴高度的运动状态推断，更在深度学习算法的赋能下，为机器人同时赋予了高精度的触觉材料识别与味觉液体分析能力。该工作为理解接触分离及多模式摩擦伏特效应的机理与增强策略奠定了坚实的理论基础，并有力推动了高性能多模态TVNG传感器在仿人机器人、智能环境交互及未来生活场景中的实际应用进程。