《Sensors and Actuators A: Physical》：Optical Fiber Tactile Sensing Array Based on Dynamic Learning of Optical Specklegram
编辑推荐：
微型化触觉传感器阵列基于多模光纤specklegram检测，结合PDMS封装和动态差异学习网络（DDL-Net）算法，实现多点力分布与合力高精度估计，有效抑制环境干扰。
邓飞|刘燕|侯志波|王志玲|韩正英|侯成成|王慕光|严凤萍
教育部全光网络与先进电信网络重点实验室，北京交通大学，北京，100044，中国
摘要
由于具有高灵敏度和灵活的兼容性，光纤散斑图传感器（FSS）在触觉传感方面显示出巨大的潜力。本文介绍了一种基于多模光纤（MMF）散斑图检测的微型触觉传感阵列（2 × 3单元），每个单元包含封装在聚二甲基硅氧烷（PDMS）中的短MMF段。通过微透镜和相机收集阵列的散斑图案，实现同时进行力分布感知和合力估计。该设计通过仿真验证，通过改进的材料封装和信号处理提高了可靠性。尽管依赖于像素级强度匹配的零均值归一化互相关（ZNCC）算法被广泛使用，但它仍然容易受到光波动、相机移动和饱和的影响。为了解决这些问题，本研究提出了一种动态差分学习网络（DDL-Net），该网络使用双通道卷积神经网络（CNN）来提取和分析加载力的散斑图与参考散斑图之间的差异特征。结合我们的预处理和数据增强策略，DDL-Net能够进行力预测，并在传感器单元之间保持可靠的预测准确性。此外，使用在不同时间点和不同光强度下收集的多样化数据集来增强泛化能力。该模型在训练集之后24小时收集的测试集上的未见散斑图上表现良好，传感器阵列可靠地获得了力分布和合力。总之，本研究探讨了散斑传感的实用性，并提出了一种低成本、高精度的光纤触觉传感解决方案，显示出在机器人操控和智能假肢应用中的潜力。
引言
人类天生具有触觉感知能力，这依赖于基于皮肤的感受器。这些感受器将手指接触产生的机械刺激转换为电信号，然后传输到大脑。这种感官反馈机制使大脑能够调节手指关节的运动并相应地调整握力，从而确保物体被安全稳定地抓取[1]。同样，在工业环境中，触觉传感器在整个机器人抓取过程中提供实时反馈，从而优化任务效率。具体来说，它们能够精确调节握力：这不仅防止物体滑动、掉落或损坏，还增强了机器人与物体之间的稳定性。由于这些能力，这类触觉传感器在工业场景中展现出广泛的应用潜力[2]、[3]、[4]、[5]。目前，各种触觉传感器被广泛应用于医学、农业和工业等领域。不同的应用场景对传感器设计提出了不同的要求。然而，在实际部署此类触觉传感器时，仍存在一些突出问题，包括非线性响应、重复性差、易受噪声干扰、显著的滞后现象以及对剪切力的敏感性，以及将复杂的传感系统集成到机器人灵巧手有限空间中的难度[6]。
触觉传感可以通过多种技术实现，包括电容式[7]、[8]、压电式[9]、压阻式[10]、视觉-触觉融合[11]和光纤技术[12]、[13]、[14]。其中，光纤传感器因其高精度、快速响应和对电磁干扰的固有免疫性而脱颖而出。此外，它们可以制成各种形状，适应不同的应用场景[15]、[16]。波长调制传感器（如光纤布拉格光栅FBG）通过测量其中心波长的变化来检测应变和温度；然而，它们对昂贵且笨重的光谱仪的依赖限制了其集成到机器人系统中的能力。单模干涉仪虽然可以通过相位变化检测外部扰动，但通常生成一维标量强度信号，信息容量有限。相比之下，光纤散斑图传感器（FSS）不仅继承了传统光学传感器的优点，还提供了一种具有简化解调方案的低成本解决方案[17]。FSS通过分析多模光纤输出端面形成的散斑图图案来工作，并已成功用于测量各种物理量[18]、[19]、[20]、[21]。FSS利用复杂的模式干涉来检测微小扰动，而无需昂贵的设备。此外，单个相机可以同时捕获来自多个传感单元的散斑图案，大大减少了基于阵列的传感的查询开销。然而，这种固有的高灵敏度也使FSS容易受到环境噪声和光强度波动的影响，导致散斑图漂移[22]、[23]。已经采用了多种分析方法来处理FSS，包括统计图像分析[24]和深度学习技术[25]、[26]。然而，大多数关于FSS触觉传感器的研究仍处于早期阶段，很少有研究探索它们在现实世界环境中的实际可行性。目前提高FSS稳定性的努力主要集中在两个主要策略上：（1）优化光纤结构以减少环境影响[27]，例如通过缩短多模光纤以降低环境敏感性；（2）改进传感算法以抑制干扰。对于基于深度学习的FSS传感器，可以通过扩展训练数据集（例如，在不同时间段收集数据[28]）或在性能下降时使用迁移学习来提高模型鲁棒性[29]。然而，频繁的数据收集需求使得校准变得复杂，阻碍了其实际应用。
为了提高FSS在现实世界条件下的实际可行性，本研究改进了硬件设计和算法。在硬件方面，我们提出了一种紧凑的集成微型光纤阵列传感器，配备了USB相机和定制设计的几何外壳。这种结构将六根光纤隔离到不同的隔间中，以机械方式解耦传感区域，同时紧凑的集成显著缩短了光纤长度，从而最小化了环境噪声。在算法方面，我们研究了零均值归一化互相关（ZNCC）方法，并基于其双图像比较逻辑，提出了一个结合CNN的动态差分学习（DDL）框架。在这里，“动态”指的是在输入阶段集成参考散斑图更新策略，这与时间动态模型不同。实验结果验证了基于差异的学习在散斑图传感中的有效性，证实DDL框架显著抑制了外部干扰，从而保证了系统的鲁棒传感性能。在分析模型训练后24小时收集的散斑图案时，DDL产生的RMSE低于单散斑图图像学习。传感器和算法设计都符合实时传感要求，能够感知力的大小、分布和合力。
工作原理
当相干光从单模光纤（SMF）传输到多模光纤（MMF）时，MMF支持多种模式的传播。这些模式之间的干涉产生非均匀的强度分布，形成称为散斑图的复杂散斑图案。通过简化光场传播，光纤输出端面上的复杂振幅通常表示为公式（1）[30]：
