Robot đã nhìn thấy đồ vật nhưng vẫn “mù” khi chạm: Graphene và những hạt sắt nhỏ đang tạo cho chúng một lớp da mới

Camera có thể cho robot biết một quả bóng nằm ở đâu, đường viền của nó ra sao và tay nên tiến tới từ hướng nào. Nhưng ngay khi ngón tay chạm vật, phần thông tin quan trọng nhất lại chuyển sang một miền khác: robot đang ép mạnh đến đâu, lực có phân bố đều không và vật thể trong tay đang tạo ra kiểu tiếp xúc nào.

Đó là lý do tactile sensing vẫn là một nút thắt của robot thao tác vật thể. Thị giác có thể quan sát từ xa; cảm giác chạm chỉ xuất hiện sau khi tiếp xúc xảy ra. Muốn có nó, robot cần một lớp vật liệu đủ mềm để ôm theo bề mặt ngón tay nhưng đồng thời phải biến biến dạng cơ học thành tín hiệu điện đủ ổn định cho bộ điều khiển hoặc mô hình AI đọc được.

Một nhóm từ China University of Mining and Technology, University of Birmingham và Soochow University vừa thử giải bài toán đó bằng một hỗn hợp khá đơn giản về mặt thành phần: những hạt carbonyl iron hình cầu, các tấm multilayer graphene và silicone PDMS. Paper được công bố ngày 11/9/2026 trên Advanced Composites and Hybrid Materials.

Trong cấu hình tối ưu, cảm biến hoạt động trong dải áp suất từ 0 tới 954 kPa, phát hiện được áp suất nhỏ tới 0,318 Pa và vẫn duy trì phản hồi ổn định sau 6.000 chu kỳ nén–nhả. Quan trọng hơn với robotics, năm cảm biến được đặt lên năm đầu ngón tay của một bàn tay robot; tín hiệu thu được khi cầm vật được đưa vào random forest để nhận dạng 10 vật thể, đạt 100% accuracy trong điều kiện thử nghiệm của nhóm.

Vấn đề của “da robot” không chỉ là làm nó nhạy hơn

Cảm biến mềm thường phải đánh đổi giữa ba đặc tính: độ nhạy ở lực rất nhỏ, khoảng đo rộng và khả năng giữ phản hồi tuyến tính. Một cấu trúc cực mềm có thể phát hiện một cú chạm nhẹ nhưng nhanh chóng bị nén tới giới hạn, khiến tín hiệu bão hòa khi lực tăng. Ngược lại, lớp điện môi cứng hơn chịu được áp suất lớn nhưng phản ứng kém với những tiếp xúc rất nhẹ.

Đây là vấn đề đặc biệt khó với bàn tay robot. Cùng một đầu ngón tay có thể phải cảm nhận cú chạm đầu tiên lên bề mặt, sau đó tiếp tục đo lực khi nắm chắc một vật. Một cảm biến chỉ tốt ở một đầu của dải lực sẽ khiến robot hoặc bỏ lỡ tiếp xúc ban đầu, hoặc mất khả năng phân biệt khi lực kẹp tăng.

Một review năm 2026 về graphene-based tactile sensor cũng chỉ ra rằng sensitivity riêng lẻ không đủ để biến một vật liệu thành e-skin thực tế. Working range, durability, stability, khả năng tích hợp lên bề mặt cong và chất lượng tín hiệu đều phải được cân bằng cùng lúc.

Hạt tròn và tấm phẳng tạo ra mạng lưới có thể “co lại” khi bị ép

Thiết kế mới dùng một dielectric composite gồm carbonyl iron particles (CIP) và multilayer graphene (MLG) phân tán trong PDMS — loại silicone mềm thường gặp trong soft electronics.

Hai filler có hình học rất khác nhau. CIP gần dạng cầu, trong khi MLG là những tấm carbon mỏng và phẳng. Khi trộn chúng vào cùng một nền polymer, nhóm tạo ra một mạng vật liệu đa kích thước có nhiều interface và những microgap có thể bị nén.

Cảm biến hoạt động theo nguyên lý điện dung. Ở dạng đơn giản nhất, một capacitor gồm hai điện cực ngăn bởi lớp điện môi. Khi lớp ở giữa bị nén, khoảng cách và đặc tính điện môi thay đổi, kéo theo capacitance thay đổi. Nếu biến thiên đó đủ lớn và lặp lại ổn định, áp suất cơ học có thể được chuyển thành tín hiệu điện.

Trong composite CIP/MLG, các microgap và interface giữa hạt sắt, graphene và PDMS làm thay đổi mạnh hơn trạng thái điện môi khi vật liệu bị ép. Nhờ đó, cảm biến có thể tạo tín hiệu đo được ở lực rất nhỏ nhưng vẫn tiếp tục phản ứng khi áp suất tăng cao.

Đây cũng là điểm cần phân biệt với một số “magnetic skin” khác. Hạt sắt trong nghiên cứu này không chủ yếu được dùng để tạo một từ trường rồi đo bằng Hall sensor. Chúng là một phần của mạng dielectric composite bên trong cảm biến điện dung.

0,318 Pa ở đầu nhẹ, gần 1 MPa ở đầu nặng

Nhóm báo cáo sensitivity tối đa 0,04 kPa⁻¹ trên dải hoạt động 0–954 kPa. Detection limit là 0,318 Pa — mức áp suất rất nhỏ so với lực kẹp thông thường của một robot hand.

Dải đo rộng quan trọng hơn việc chỉ có một con số sensitivity cao. Nếu cảm biến muốn nằm trên một ngón tay thực sự, nó phải theo dõi cả tiếp xúc nhẹ lẫn lực kẹp lớn mà không nhanh chóng mất khả năng phân biệt.

Nhóm cũng chạy 6.000 chu kỳ loading–unloading và báo cáo phản hồi ổn định sau thử nghiệm. Đây là một kiểm tra durability cần thiết, dù vẫn còn rất xa tuổi thọ mà một bàn tay robot công nghiệp có thể phải chịu khi thực hiện hàng trăm nghìn hoặc hàng triệu thao tác.

Để chứng minh tín hiệu không chỉ tồn tại trên máy thử lực, nhóm còn gắn cảm biến lên cơ thể người để theo dõi pulse ở đầu ngón tay và chuyển động khớp. Một demonstration khác dùng các nhịp chạm để truyền chuỗi Morse “HELLOWORLD”. Những thử nghiệm này chủ yếu cho thấy sensor có thể theo dõi các dạng biến dạng và áp lực ở nhiều thang cường độ khác nhau.

Năm đầu ngón tay tạo ra một “tactile fingerprint” cho vật thể

Phần gần robotics nhất của paper là bàn tay bionic có năm cảm biến, mỗi đầu ngón tay một sensor. Khi robot cầm vật, năm kênh capacitance thay đổi theo thời gian và tạo ra một mẫu tín hiệu nhiều chiều.

Mẫu này không phải ảnh của vật thể theo nghĩa camera. Nó là dấu vết của cách vật đó tương tác với bàn tay: hình học tiếp xúc, mức biến dạng, cách lực phân bố giữa các ngón và diễn biến của lực trong quá trình grasp đều có thể làm tín hiệu khác nhau.

Nhóm dùng random forest — một thuật toán machine learning tương đối truyền thống — để học các mẫu đó. Trên 10 vật thể trong bộ thử nghiệm, classifier đạt 100% accuracy theo báo cáo của paper.

Con số 100% nghe rất mạnh nhưng cần đọc đúng phạm vi. Đây không phải benchmark mở với hàng nghìn vật thể, cũng chưa chứng minh robot có thể nhận dạng một vật chưa từng thấy trong môi trường lộn xộn chỉ bằng chạm. Nó cho thấy năm cảm biến tạo ra tín hiệu đủ phân biệt để một classifier tách được 10 lớp trong setup của nhóm.

“Nhìn thấy” và “cảm thấy” giải quyết hai phần khác nhau của cùng một thao tác

Trong robotics hiện đại, vision thường làm rất tốt phần trước tiếp xúc: phát hiện vật thể, ước lượng pose, lập kế hoạch đường đi và chọn điểm grasp. Nhưng ngay sau tiếp xúc, camera bắt đầu gặp các giới hạn tự nhiên.

Ngón tay có thể che vùng tiếp xúc. Một vật mềm có thể biến dạng mà hình ảnh bên ngoài không cho biết lực bên trong đang phân bố thế nào. Hai vật trông gần như giống nhau có thể phản ứng rất khác khi bóp. Và khi một vật bắt đầu trượt, dấu hiệu đầu tiên có thể xuất hiện ở interface giữa da robot và bề mặt trước khi camera nhìn thấy chuyển động rõ rệt.

Một review năm 2026 về tactile robotic hands tổng hợp 115 nghiên cứu từ 2020–2025 nhận thấy vision–tactile fusion thường giúp manipulation robust hơn so với vision-only, dù mức cải thiện phụ thuộc mạnh vào sensor và controller. Một nghiên cứu khác trên Microsystems & Nanoengineering năm 2026 cũng dùng chính tính bổ sung này: vision định vị vật nhỏ, còn tactile mapping bổ sung hình dạng bề mặt và thông tin tiếp xúc khi camera bị hạn chế bởi kích thước, occlusion hoặc lighting.

Vì vậy lớp da mới không cạnh tranh với camera. Nó đảm nhiệm phần dữ liệu mà camera không thể lấy trực tiếp sau khi robot đã chạm vào thế giới.

Đây vẫn chưa phải “da người” cho robot

Da người không chỉ đo áp suất. Nó cung cấp thông tin về shear, rung động, texture, nhiệt độ, đau, tốc độ trượt và sự thay đổi liên tục của tiếp xúc trên hàng nghìn receptor. Hệ thần kinh còn xử lý các tín hiệu này trong vòng phản hồi vận động cực nhanh.

Cảm biến CIP/MLG mới chủ yếu là flexible capacitive pressure sensor. Việc classifier nhận dạng vật thể từ năm kênh pressure không có nghĩa sensor trực tiếp đo được tất cả thuộc tính tactile nói trên.

Nó cũng chưa được chứng minh trong closed-loop manipulation phức tạp — ví dụ robot tự giảm lực ngay khi phát hiện vật sắp trượt, điều chỉnh grasp trên vật mềm chưa từng thấy hoặc thao tác trong môi trường có nhiệt độ và độ ẩm thay đổi. Paper hiện là early online version đã qua peer review nhưng vẫn đang chờ biên tập thành Version of Record cuối cùng.

Đó là khoảng cách quan trọng giữa một sensor tốt và một robotic skin hoàn chỉnh. Để đi tiếp, hệ thống phải mở rộng từ vài điểm ở đầu ngón tay thành coverage lớn hơn, giữ calibration khi vật liệu bị uốn hàng nghìn giờ, tách được nhiều loại lực và đưa tín hiệu vào controller đủ nhanh để robot phản ứng trong lúc thao tác.

Điểm đáng chú ý của nghiên cứu không phải robot đã có xúc giác giống con người. Nó cho thấy một con đường vật liệu khá trực tiếp để biến tiếp xúc thành dữ liệu machine-learnable: những hạt sắt hình cầu tạo cấu trúc khác với các tấm graphene, PDMS cho phép toàn bộ mạng biến dạng, còn điện dung biến sự biến dạng đó thành tín hiệu. Camera cho robot biết nó sắp chạm vào gì; loại “da” này có thể giúp nó bắt đầu biết chuyện gì xảy ra sau khoảnh khắc chạm.

Nguồn: Advanced Composites and Hybrid Materials — High-performance flexible capacitive sensor based on a carbonyl iron particle/multilayer graphene composite dielectric network for robotic object recognition; University of Birmingham — Research output; Materials Today Electronics — Recent advances in graphene-based flexible tactile sensor; Discover Mechanical Engineering — A review of adaptive intelligence in tactile sensing robotic hands; Microsystems & Nanoengineering — Complementary visual localization and tactile mapping.