Robot skin tương lai sẽ không chỉ biết mình đang chạm: Nó phải biết vật đó nóng, mềm, trơn và sắp tuột

Một cảm biến áp suất có thể cho robot biết ngón tay đã chạm vào chiếc cốc. Nhưng thông tin đó vẫn quá ít để quyết định cách cầm chiếc cốc.

Nếu cốc đang ở 60°C, robot không nên nhấc nó bằng cách thông thường. Nếu vật là một miếng foam mềm, lực kẹp cần khác một lon kim loại. Nếu bề mặt dính dầu, cùng lực bóp có thể không đủ. Và nếu vật mới bắt đầu xoay trong tay, robot phải tăng lực hoặc đổi vị trí trước khi nó thực sự rơi.

Đây là khoảng cách giữa tactile sensing và tactile perception. Một cái chỉ đo tín hiệu. Cái còn lại phải kết hợp nhiều tín hiệu để hiểu trạng thái vật lý của tiếp xúc và biến hiểu biết đó thành hành động.

Năm 2026, nhiều nhóm nghiên cứu đang tiến gần hơn tới mô hình thứ hai. SuperTac của nhóm Tsinghua gom lực, nhiệt độ, rung, vật liệu và sliding vào một lớp da dày 1 mm. Một nhóm tại Korea University mô phỏng ba loại mechanoreceptor của da người để phân biệt texture, softness và slip. Trong khi đó, các nhà nghiên cứu POSTECH, KAIST và cộng sự đề xuất một Tactile Safety Margin để robot biết khoảng cách từ trạng thái đang cầm tới ngưỡng sắp tuột.

Không có một hệ thống nào trong số này hiện làm được hoàn hảo tất cả các khả năng “nóng, mềm, trơn và sắp tuột”. Nhưng đặt cạnh nhau, chúng cho thấy robot skin đang đổi mục tiêu: từ bề mặt cảm biến thành một hệ thống đánh giá rủi ro vật lý theo thời gian thực.

Da người không có một cảm biến “touch” duy nhất

Khi con người cầm một vật, não không nhận một con số duy nhất tên là “độ chạm”. Các receptor khác nhau phản ứng với áp lực tĩnh, biến dạng da, rung, nhiệt và thay đổi nhanh tại bề mặt tiếp xúc. Việc một chiếc cốc sắp tuột có thể xuất hiện trước dưới dạng những thay đổi nhỏ của strain và shear, lâu trước khi mắt nhìn thấy nó trượt.

Robot truyền thống thường đơn giản hơn nhiều. Một force sensor cho biết lực kẹp; encoder cho biết vị trí ngón; camera nhìn hình dạng. Cách này hoạt động tốt trong nhà máy có vật thể và điều kiện được chuẩn hóa. Nó khó hơn khi robot phải cầm trái cây, vải, cốc nóng, vật ướt hoặc những đồ có trọng tâm không rõ.

Vấn đề không phải chỉ thêm thật nhiều sensor. Mỗi modality có thể ảnh hưởng lẫn nhau. Một vật nóng làm thay đổi điện trở của sensor áp suất; ép vật mạnh hơn làm geometry biến dạng và ảnh hưởng phép đo nhiệt. Muốn robot biết cùng lúc “nóng” và “đang bóp bao nhiêu”, hệ thống phải tách được hai tín hiệu đó thay vì nhầm cái này thành cái kia.

SuperTac cố gom 10 loại thông tin vào một lớp da 1 mm

Một trong những hệ thống tham vọng nhất đầu năm 2026 là SuperTac, công bố trên Nature Sensors bởi Shoujie Li, Tong Wu, Jianle Xu và cộng sự, với nhóm Tsinghua Shenzhen International Graduate School tham gia dẫn dắt.

Thay vì dùng một cơ chế sensing duy nhất, SuperTac kết hợp ba nguồn thông tin: multispectral imaging từ mid-infrared tới ultraviolet, triboelectric sensing và inertial measurement. Lớp sensing skin chỉ dày khoảng 1 mm, gồm polymer dẫn điện, lớp huỳnh quang, lớp phản xạ và lớp đỡ.

Các kênh khác nhau được dùng cho những thuộc tính khác nhau. Paper báo cáo độ chính xác đo lực khoảng 0,06 N, vị trí khoảng 0,4 mm, dải nhiệt độ 0–90°C, proximity dưới 15 cm và vibration 0–60 Hz. Khi dùng cho classification, hệ thống đạt trên 94% trong các nhiệm vụ nhận biết texture, material, sliding, collision và colour; riêng kết luận của paper báo cáo 98% cho texture, 97% cho sliding, 95% cho material và 94% cho collision.

Điều đáng chú ý không nằm ở số modality dài bao nhiêu, mà ở cách chúng bổ sung cho nhau. Một ảnh visible có thể cho màu nhưng không nói nhiều về nhiệt; mid-infrared có thể mang thông tin nhiệt; triboelectric signal phản ứng với tương tác bề mặt; IMU bắt được vibration và collision. Robot có một “gói” tactile data giống cách con người không dựa vào một receptor duy nhất.

Nhóm còn xây DOVE, một tactile language model 8,5 tỷ tham số để ghép các input vật liệu, texture, màu và nhiệt độ rồi tạo mô tả ngôn ngữ hoặc hỗ trợ suy luận. Trong các demo, SuperTac được gắn vào robot hand và parallel gripper để nhận vật liệu, theo dõi contact, sliding và collision.

Nhưng đây chưa phải một fingertip thương mại. Chính paper nêu miniaturization, low-power decoding, packaging, heat dissipation và độ ổn định là những việc còn phải làm. Tsinghua cũng lưu ý hệ thống multispectral và chế tạo chính xác hiện còn đắt, còn durability trong bụi, nóng, lạnh và môi trường công nghiệp chưa được chứng minh đầy đủ.

Biết vật mềm cần nhiều hơn một phép đo lực

“Mềm” là một ví dụ tốt về lý do robot cần sensing đa kênh. Một vật có thể tạo lực nhỏ vì nó mềm, nhưng cũng có thể vì robot chỉ chạm rất nhẹ. Chỉ nhìn một giá trị pressure không đủ để tách hai trường hợp.

Tháng 8/2026, Yu-Jin Lee, Hyeonung Kang, Ju Yeon Woo và cộng sự tại Korea University công bố một tactile skin ba modality trên Advanced Science. Thiết kế lấy cảm hứng từ ba loại mechanoreceptor của người: Merkel, Meissner và Ruffini.

Ba sensor tương ứng phản ứng với những kiểu kích thích khác nhau: normal pressure tĩnh, shear vibration động và horizontal strain tĩnh. Nhóm không chỉ hỏi sensor nào nhạy nhất, mà dùng random forest feature importance để xem từng “receptor” đóng góp bao nhiêu cho bốn nhiệm vụ: đọc Braille, nhận texture, phân loại softness và phát hiện slip.

Kết quả quan trọng là không có một modality luôn thắng. Phối hợp hai hoặc ba sensor thường cải thiện recognition tùy task. Đây gần với logic sinh học hơn một “siêu sensor” duy nhất: tính hữu ích đến từ việc kết hợp các receptor có response khác nhau.

Khi gắn hệ thống lên robotic gripper, nhóm báo cáo real-time slip/drop detection đạt 97,62% accuracy và dùng feedback để điều chỉnh grip force khi tải tăng. Tuy vậy, đây vẫn là một tập nhiệm vụ có kiểm soát trong lab. Khả năng phân loại “softness” không đồng nghĩa robot đã có một đại lượng universal về độ mềm cho mọi vật thể, hình dạng và cách chạm.

“Trơn” khó hơn “đã trượt”

Một robot có thể nhận ra vật đang trượt bằng vibration sau khi slip bắt đầu. Khó hơn là biết interface hiện tại có ma sát thấp trước khi đồ vật rời khỏi tay.

Một nghiên cứu trên Scientific Reports tháng 3/2026 của Tsubasa Adachi, Koki Ozawa, Shoma Kamanoi và cộng sự nhắm vào một phần của bài toán này. Nhóm tạo e-skin với micropattern giống fingerprint để tăng tín hiệu stick–slip trên bề mặt khô, ướt nước và phủ dầu.

Khi artificial finger trượt trên bề mặt, sensor bắt được dao động khoảng 100 Hz liên quan tới stick–slip ngay cả trong dầu, nơi ma sát thấp khiến nhiều sensor thông thường khó lấy tín hiệu. Với bốn vật liệu trong ba điều kiện khô/nước/dầu, random forest phân loại các waveform với accuracy trên 95% ở từng điều kiện; trên toàn bộ 120 waveform trộn lẫn, accuracy đạt 98,3%.

Hệ thống còn được gắn lên soft robotic hand để phát hiện slip của dưa chuột, khoai tây và cà rốt trong điều kiện khô và có dầu.

Nhưng cần phân biệt rất rõ: sensor này chủ yếu phát hiện và phân loại tín hiệu sau khi sliding xuất hiện. Nó chưa phải một “máy đo slipperiness” biết chắc vật sẽ tuột trước khi chuyển động xảy ra.

Bước khó hơn: tính xem còn bao xa trước khi tuột

Nhóm Yebin Park, Jaehyun Kim và cộng sự tại POSTECH, ETRI, Korea University và KAIST tiếp cận bài toán từ hướng khác. Paper trên Advanced Intelligent Systems tháng 3/2026 đưa ra một đại lượng gọi là Tactile Safety Margin (TSM).

Ý tưởng là thay vì đợi slip xảy ra rồi mới phản ứng, robot liên tục so sánh hai lực. Một là friction force tức thời đang phải giữ vật, suy ra từ strain ở lớp sensor phía trên. Hai là maximum static friction mà contact còn chịu được, tính từ normal grip force và hệ số ma sát tĩnh.

Khi tải tăng, vật xoay hoặc grip trở nên xấu đi, friction force thực tế tiến dần tới giới hạn. TSM vì thế giảm về 0. Thay vì một cảnh báo nhị phân “đã trượt/chưa trượt”, robot có một khoảng an toàn liên tục để quyết định tăng grip force, đổi vị trí hay đặt vật xuống.

E-skin của nhóm có hai tầng. Lớp iongel phía trên đo strain và temperature độc lập; lớp piezoresistive phía dưới đo normal pressure. Cấu trúc này cho phép robot vừa đánh giá nhiệt độ bề mặt vừa theo dõi điều kiện cơ học của grasp.

Trong một demo, robot thử cầm cốc nước ở 60°C và thả ra vì vượt temperature threshold 40°C. Sau khi cốc được làm nguội xuống 27°C, robot mới nâng. Khi nhóm tiếp tục đổ thêm nước làm tải tăng, TSM giảm dần tới ngưỡng đặt trước 0,2 và robot đặt cốc xuống trước khi mất grasp.

Ở một bài pick-and-place khác, cầm hộp lệch tâm làm vật bắt đầu xoay và TSM giảm. Hệ thống thả ra, chuyển grasp về gần tâm hơn rồi hoàn thành thao tác.

TSM vẫn chưa tự “cảm” được mọi hệ số ma sát

Demo proactive slip prediction rất gần với trực giác “biết vật sắp tuột”, nhưng vẫn có một điều kiện quan trọng.

Để tính maximum static friction, TSM cần hệ số ma sát tĩnh giữa e-skin và vật. Trong nghiên cứu, các hệ số này được đo trước bằng load cell hoặc lấy từ nghiên cứu đã công bố: chẳng hạn nhóm dùng các giá trị khác nhau cho interface PDMS–epoxy, PDMS–PDMS và PDMS–glass.

Nói cách khác, skin đo strain, pressure và temperature theo thời gian thực, nhưng nó chưa tự suy ra hệ số ma sát của một vật hoàn toàn xa lạ từ lần chạm đầu tiên. Nếu một chiếc cốc bất ngờ bị phủ dầu, friction coefficient có thể thay đổi và công thức TSM cần biết thay đổi đó để vẫn dự báo đúng.

Đây chính là một trong những mảnh ghép còn thiếu giữa các hướng nghiên cứu hiện nay. Sensor fingerprint có thể nhận dynamic slip rất tốt trên bề mặt dầu; TSM có thể dự báo mất ổn định nếu biết friction limit; một hệ robot skin thực dụng cuối cùng cần nối hai khả năng đó lại.

Tương lai của robot skin có thể nằm ở “closed loop”, không phải danh sách cảm biến

Đếm số modality dễ tạo headline: 5 loại sensing, 10 loại sensing, temperature cộng force cộng texture. Nhưng một robot không cần biết texture chỉ để tạo dashboard đẹp. Nó cần biết thông tin nào làm thay đổi hành động.

Nếu cảm biến nói “vật mềm”, controller nên giảm lực để tránh bóp méo. Nếu nói “bề mặt đang 60°C”, robot có thể đổi công cụ hoặc chờ. Nếu friction margin giảm vì thêm tải, grip force phải tăng trước khi slip. Nếu vật ướt làm stick–slip signature thay đổi, robot cần điều chỉnh safety margin thay vì đợi vật rơi.

Đây là lý do các paper 2026 đáng chú ý khi đặt cạnh nhau. SuperTac cố giải bài toán richness và interpretation. Tactile skin của Korea University tập trung vào việc các receptor khác nhau phối hợp theo task. TSM biến tactile signal thành một biến điều khiển proactive. Fingerprint e-skin cho thấy môi trường low-friction như nước và dầu cần cách cảm khác bề mặt khô.

Bước tiếp theo sẽ không chỉ là nhét thêm sensor vào một ngón tay. Hệ thống phải nhỏ, bền, ít điện, ít dây, không bị signal crosstalk và đủ nhanh cho control loop. Nó cũng phải generalize từ các vật mẫu trong lab sang những vật chưa từng thấy, với nhiệt độ, độ ẩm, contamination và hình học thay đổi liên tục.

Quan trọng nhất, robot skin cần chuyển từ câu hỏi “tôi đang đo được gì?” sang “thông tin này nói gì về việc tôi nên làm tiếp theo?”.

Đó mới là nơi touch bắt đầu trở thành perception.

Nguồn: Nature Sensors — Biomimetic multimodal tactile sensing enables human-like robotic perception; Tsinghua University — SuperTac; Advanced Science — A Bioinspired, Multimodal Soft Tactile Skin with Task-Adaptive Perception for Intelligent Robotic Manipulation; Advanced Intelligent Systems — Proactive Robotic Grasp Stability via Tactile Safety Margin Feedback; Scientific Reports — AI-integrated bionic fingertip E-Skin for precision slippage detection in wet environments.