eFlesh 用磁场指纹把 3D 打印结构变成触觉皮肤

原始项目仓库：https://github.com/notvenky/eFlesh

eFlesh 是一个磁触觉传感项目。它把柔性 3D 打印结构、磁铁、磁力计阵列和机器学习放到同一条链路里，让机器人表面能够感知接触位置、法向力、剪切力和滑移状态。

这类项目有一个很现实的难点：接触状态很难直接测量。手指碰到物体后，外力先让柔性结构变形，再改变磁铁和磁力计之间的位置关系，最后才表现为磁场读数变化。eFlesh 的思路是保留这条复杂链路，然后用数据把磁场读数映射回接触状态。

磁场指纹来自结构变形

eFlesh 的传感单元里有柔性结构、磁铁和磁力计。结构受压或受剪切时，磁铁相对磁力计的位置会变化，磁力计读到的三轴磁场也会跟着变化。

项目里的 Arduino 采集程序会扫描 I2C 地址，读取多个 MLX90393 磁力计。每个磁力计输出 X、Y、Z 三轴数据，多个传感器合起来形成一组多维磁场读数。

这组读数可以理解成一次接触留下的“磁场指纹”。接触位置、按压力、剪切方向不同，柔性结构的变形路径也不同，最后得到的磁场模式也不同。模型学习的目标就是把这些磁场模式翻译成位置、力或滑移判断。

3D 打印结构决定信号质量

磁触觉传感不能只看电子部分。外部接触力能不能形成稳定、可分辨的磁场变化，很大程度取决于机械结构。

eFlesh 使用 cut-cell microstructures 生成可打印的柔性微结构，并在结构里设计磁铁口袋和磁力计板槽位。这样传感器形状可以贴合机器人手、指尖或夹爪，结构刚度也可以通过微结构参数调整。

这个设计的价值在于可定制性。机器人触觉皮肤很难依靠一种固定形状覆盖所有任务。eFlesh 把传感结构做成可打印、可改形状的对象，让同一套磁感知方法可以迁移到不同表面。

采集链路保持简单

硬件采集端的职责很清楚：稳定读传感器，稳定输出数据。Arduino 程序负责发现传感器、配置参数、进入连续读取模式，然后通过串口输出二进制读数。

这条链路里有几个容易被忽略的点：

• 传感器顺序要稳定，否则模型输入列的含义会乱。
• 无接触状态要做 baseline，后续读数通常要减去基线。
• 传感器数据和外部状态数据要带时间戳，训练时才能对齐。
• MCU 侧先保证采样稳定，复杂映射放到 PC 侧训练。

这种分工适合原型阶段。MCU 负责采样，PC 负责记录、可视化和训练。模型稳定以后，再考虑边缘推理或 MCU 部署。

训练数据来自同步采集

这类数据集通常不会靠人工逐条标注。人工可以告诉系统“正在做哪类实验”，但每一帧的接触位置、力值和磁场读数需要通过设备同步记录。

仓库里能确认的表征训练数据由两类文件组成：sensor_post_baselines.csv 保存减去 baseline 后的磁力计读数，states.csv 保存同一实验过程里的状态或力值。训练脚本读取这两个文件，用时间戳为每条传感器读数寻找最近的状态记录。

这说明数据采集过程至少包含两路信息：

• 磁力计阵列连续输出传感器读数。
• 外部实验系统记录位置、法向力、剪切力或动作标签。
• 两路数据都保留时间戳。
• 训练前先做 baseline 处理，再按时间戳配对。

仓库没有给出完整的表征实验采集脚本，所以不能把某一种机械运动流程写死。可以确认的是，训练阶段依赖已经配对好的时间序列数据，标签来源应当是实验装置、机器人流程或力学测量设备，人工只负责实验组织和样本类别确认。

MLP 把磁场读数回归到位置或力

characterization/train.py 里使用 PyTorch MLP 做表征训练。它支持三种模式：空间位置、法向力和剪切力。

训练流程很直接：

• 读取 states.csv 和 sensor_post_baselines.csv。
• 通过最近时间戳把传感器读数和状态值配对。
• 按随机 80/20 切分训练集和验证集。
• 只用训练集统计均值和方差，再归一化输入和标签。
• 使用两层隐藏层、隐藏宽度 128 的 MLP 训练。
• 用 Adam 和 MSE loss 回归位置或力值。
• 保存模型权重和归一化参数到 artifacts 目录。

这个训练方式没有依赖复杂网络。磁场到位置或力的关系是非线性的，但输入维度不高，目标也明确。小 MLP 足够先跑通从读数到物理量的闭环。

滑移检测展示了触觉的实用性

滑移检测是 eFlesh 很直观的应用。机器人夹住物体后，如果物体开始被拉走，触觉信号会先发生变化。视觉系统未必能稳定看到这种细小相对运动，触觉传感器可以直接感知接触状态变化。

slip_detection 目录里包含数据采集、训练和机器人控制代码。控制脚本以 100Hz 采样触觉序列，先用前 50 帧计算 baseline，然后在后续序列中减去 baseline，提取一段触觉变化作为分类特征。

滑移训练脚本读取 seq_*.pt 序列和标签文件。它会对序列做 Savitzky-Golay 滤波，取传感器通道减去 baseline 后的变化量，再训练一个轻量分类器判断是否发生拉拽或滑移。

这个例子说明触觉传感的价值不止是测力。它可以给机器人提供接触反馈：碰到了哪里、力有没有变化、物体是否开始滑动。抓取、交接、插拔、擦拭这类任务都依赖这种反馈。

学习这个项目时要看边界

eFlesh 的优点是系统链路完整：结构设计、传感器采集、baseline、数据集、训练脚本和演示应用都能对应起来。读这个仓库时，可以同时看到触觉硬件和学习算法怎么配合。

复现时需要注意几个边界：

• 磁铁一致性会影响读数。
• 磁力计位置误差会改变输入分布。
• TPU 打印结构的刚度和回弹会影响响应。
• 换形状或换传感器布局后，原模型可能需要重新采集数据。
• 环境磁干扰会让 baseline 和预测稳定性变差。

因此，eFlesh 更适合作为“磁触觉系统怎么搭起来”的学习案例。它展示了机械、电路、采集和训练如何配合，也提醒触觉模型的质量高度依赖采集覆盖范围和实验条件。

结论

eFlesh 的主线可以概括为：可打印柔性结构把接触变成磁铁位移，磁力计阵列把位移变成多维磁场读数，训练脚本再把这些磁场指纹映射到位置、力或滑移状态。

这篇项目最值得看的部分是训练数据链路。数据来自传感器流和实验状态流的同步记录，再通过时间戳、baseline 和归一化进入模型训练。

本文由 AI 辅助生成，可能存在错误或遗漏，请以实际资料和官方文档为准。