北京理工大学/香港理工大学：系统提出柔性多模态传感器三大解耦策略

一、研究背景

传统硅基传感器存在刚性大、应变耐受性差、生物相容性不足等缺陷，难以适应大变形或曲面贴合场景。单模态柔性传感器仅能检测单一物理参数，无法满足复杂环境下多维度感知需求。

随着多模态传感技术的发展，温度-压力、温度-湿度、多向力耦合等信号串扰问题日益突出，严重制约了测量精度与可靠性。现有解耦方法存在非线性误差大、易受环境干扰、制备工艺复杂等局限。为此，研究团队从物理原理出发，系统总结了三大核心解耦路径，推动柔性多模态传感进入"感知4.0"时代。

二、核心研究成果

1. 材料设计：从源头实现信号物理隔离

论文提出三类材料级解耦策略（论文第2章）：

-固有属性解耦：利用材料不同物理机制产生正交信号，如PEDOT:PSS通过电阻响应应变、电压响应温度，实现20℃–100℃和≤200 kPa范围内的无串扰监测；同轴湿纺复合纱线可同时独立检测Na⁺、K⁺、Ca²⁺和pH值，信号漂移<0.2 mV/h。

-复合材料设计：通过正负热膨胀系数或电阻温度系数材料复合抵消干扰，如rGO/MnO₂/Kevlar/TPU复合材料实现近零热膨胀，彻底消除温度对压力信号的影响；CNT/Ni复合薄膜通过正负TCR抵消，实现压力检测的温度不敏感。

-工程属性梯度设计：构建热导率、磁各向异性等空间梯度，单一传感器可同时检测压力、材料类型和气流，压力检测限达0.5 kPa，温度响应时间8 ms。

2. 结构设计：硬件层面实现信号物理分离

通过几何结构差异化设计隔离耦合信号：

-微结构架构：笼式3D结构可同时检测压力、剪切力、弯曲应变和温度，线性度R²>0.99，响应时间<30 ms；微穹顶结构实现15°方向分辨率的法向/切向力解耦。

-平面功能设计：褶皱结构使应变检测系数提升至18.5，塞贝克系数提高514%至122.86 μV/K；剪纸结构将温度传感器的应变串扰降低5倍。

-3D堆叠集成：垂直层压结构实现温度、湿度、压力的硬件级解耦，交叉灵敏度<0.6。

3. AI驱动：算法层面实现复杂信号解耦

针对材料和结构无法完全消除的残余串扰，提出三类AI解耦方案：

-浅层模型：单隐层BPNN实现3D变形坐标解耦，预测精度98.59%，Z轴误差仅1.41%；HSVM融合雷达与压力数据，将手势识别精度从69.0%提升至92.5%。

-深度神经网络：四层DNN实现温压解耦，压力预测精度96.23%；双流深度学习框架使压力和温度的平均绝对百分比误差分别降至1.58%和2.37%。

-多算法融合与软硬件协同：BPNN与RBFNN混合模型在10%白噪声下仍保持<10%的力检测误差；石墨烯纺织品与CNN协同实现5类材料识别，精度达98.5%。

三、图文导读

图1 展示柔性多模态传感器三大核心解耦策略的整体框架

图2 呈现柔性多模态传感器在环境监测、健康医疗、人机交互和智能机器人四大领域的典型应用场景

图3 解析基于材料固有属性的信号解耦机制

图6 展示笼式、截锥体、微穹顶三类微结构的力学解耦原理与性能表征

图11 详解DNN、CNN、双流深度学习和LSTM四类深度模型

图16 呈现多模态传感器在智能机器人抓取、远程触觉反馈和假肢控制中的应用

四、总结

本综述系统阐明了材料、结构、AI三类解耦策略的核心机制与技术边界，指出材料解耦可实现源头信号隔离，结构解耦提供硬件级物理分离，AI解耦则能处理复杂非线性耦合关系。

研究指出，当前柔性多模态传感仍面临材料灵敏度与量程的权衡、结构集成复杂度高、AI模型数据依赖强等挑战。未来需重点发展基于离子弛豫动力学的自解耦材料、岛桥式智能结构以及嵌入式轻量化AI算法，推动多模态传感技术从实验室走向规模化工业应用，为下一代智能感知系统奠定核心技术基础。

论文链接：https://doi.org/10.1002/adma.202521375

来源：可穿戴智研