跳转至

神经形态 / 事件驱动触觉（基于 IOP 2025 综述精读）

缘起：讨论"人的触觉只在变化时发信号、稳态适应"能否借鉴（见 梳理-现实问题与研究决策地图 生物启发节 / 概念-触觉控制的神经科学基础）。 主源：[N25] Liu, Brayshaw, Li, Xu, Ward-Cherrier, "Neuromorphic touch for robotics—a review", Neuromorphic Computing and Engineering 5(3) 2025, DOI 10.1088/2634-4386/adf091（开放获取，已读全文）。

📌 一句话

模仿生物机械感受器的脉冲编码：传感器只在局部接触状态变化时发异步脉冲（稳态几乎不发），配脉冲神经网络(SNN)处理 → 稀疏、低功耗、低延迟，天生擅长滑移/振动/接触瞬变。= 触觉版"事件相机(DVS)"。

🧰 对我们（可用性速判）

  • 对我们的用处：中-高（原理层）。它是"事件/变化驱动触觉"的硬件版，与本库软件侧门控线（卡片-TacVLA→卡片-TacForeSight→卡片-AdapTac-PredictiveForceAttention）同原理不同层；对高频反应式操作（卡片-T-Rex）省带宽/算力/延迟很对口。
  • 真实性：权威综述、量化收益明确；但具体指标是综述转述其引用工作，非我读一手 → 证据 B。
  • 训练/部署资源：需事件式触觉硬件 + SNN 栈（Loihi/SynSense 等神经形态芯片），生态小众；主流视触觉(GelSight/DIGIT)是帧式、非事件式。
  • 能借多少：关键桥梁 = Evetac（把事件相机塞进 GelSight 光学触觉）——说明事件式可嫁接到现有视触觉 pipeline，不必全换栈。
  • 可用性结论：作为"高频反应式 + 低功耗"的硬件选项与设计原则纳入；有强高频/低功耗需求时优先看 Evetac / NeuroTac。

关键数字（综述转述，[N25]）

  • 事件式编码收益：带宽↓~20×、信息量↑8×、分类延迟↓~4×。
  • 神经形态芯片能效：Intel Loihi 读盲文仅 30mW，比 NVIDIA Jetson 省~500× 功耗、快 172×；SynSense Speck2f 7.25mW；Loihi2 纹理分类 2.25W（比 CPU 56W / GPU 46W 低 ~25×/21×），推理 84ms。
  • 感受器频段/功能：Meissner FA-I 10-200Hz(低频振动/滑移/抓握控制)；Pacinian FA-II 40-800Hz(高频振动/微纹理，可辨空间周期 200µm、高度 ~10nm)；Merkel SA-I 静压/边缘(宏纹理~0.5mm，持续放电编码空间)；Ruffini SA-II 皮肤拉伸(本体感/手姿)。
  • 感受器↔传感器映射：电容式≈SA-I；视触觉(NVBTS)≈FA-I；Chun 等用压电+压阻同时模拟 SA-I 与 FA-I。

🔬 综述结构 / 方法谱系

  • NTS 三类：① 人工机械感受器(压阻/电容/压电/摩擦电=自供电)；② 神经形态视触觉(NVBTS)：事件相机(DVS/DAVIS)、NeuroTac(内置针脚仿生)、Evetac(事件相机+GelSight凝胶+印刷marker)；③ 软-神经形态(常规触觉传感器 + 软件端 LIF/Izhikevich 脉冲编码，最易上手、无需专用器件)。
  • SNN 架构：Tempotron(单神经元二分类)、前馈 SNN、RSNN(循环，更适合时序信号)(Müller-Cleve 盲文分类 RSNN>前馈)。
  • 训练：STDP(无监督、仿生)、代理梯度/SLAYER(绕开脉冲不可导，利用脉冲历史记忆)。
  • 应用：滑移检测→反射式实时调整抓握力防滑(Rigi/Funk)；纹理分类(rate coding 最常用 / 时空特征 / Sankar 模拟 SA-I/SA-II/FA-I/FA-II 提取 ISI+发放率)；反应式控制"responsiveness comparable to human grip adjustments"；甚至接生物系统闭环(蟑螂腿肌/大鼠体感皮层)。

🧱 开放挑战（综述明列）

  • 新材料；SNN 性能待提升；入门门槛高→需开源代码/数据集。
  • e-skin 规模化：节点级嵌入神经形态处理单元的微型化很难；大阵列的串扰/信号完整性/带宽；形变(弯/拉/扭)下的机械鲁棒性。
  • 突触器件可靠性/可扩展性不成熟；传统 ML 仍需从脉冲串做特征提取→丢失细粒度时间信息。

💡 我的批注（🤖）

  • 和生物原理直连：RA/FA"只报变化"+ SA"持续报静压"——纯事件会"握着忘握"，需混合（卡片-T-Rex 的 "VQ 力历史(变化) + 直投当前力(绝对)" 双通道正是软件版混合，对应 FA+SA）。
  • 额外收益：只编码变化(dF/dt)天然弱化慢漂移；但丢绝对力参考 → 仍须混合。
  • Evetac 是最实际的切入点：事件相机嫁接 GelSight → 既得事件式高频/低延迟，又复用现有视触觉生态，不必推倒重来。
  • 为何仍标"中"权重：生态小众、与主流帧式表征(T3/AnyTouch/T-Rex)不直接兼容；先当高频/低功耗强需求下的选项。

来源编号

  • [N25] Liu et al., "Neuromorphic touch for robotics—a review", Neuromorphic Comput. Eng. 5(3), 2025, DOI 10.1088/2634-4386/adf091（开放获取，全文读于 2026-07-02）。
  • 相关一手工作（综述引用，未逐一精读）：Evetac(Funk 等)、NeuroTac(Ward-Cherrier 等)、SpikingTac(arXiv 2602.23654)、TactileSGNet(arXiv 2008.08046)。