上篇文章的最后，我们提到过这样一个场景：杯子还没从手中滑落，你就已经下意识把它稳住了。
不妨想象一下：你闭着眼，手里拿着一只表面布满冷凝水的玻璃杯。当它开始下滑时，即使不看，你的指尖也能立即感知到细微的振动和压力变化，大脑随即轻轻增加抓握力——力度刚刚好，既能阻止杯子滑落，又不会将它捏碎。整个过程从感知到调整，几乎都在无意识中完成。
而这正是机器人最难复制的能力之一。机器可以精准规划运动轨迹，也能搬运数百公斤的重物，却依然难以感知摩擦力的细微变化。传统方案是采用固定抓握力，不论面对钢材还是海绵，都采用同一种抓握方式，至于能否抓稳，只能寄希望于物体本身。为了突破这一局限，研究人员开始关注那些肉眼几乎无法察觉的细微变化，希望在稳定抓握刚开始失稳时，就捕捉到最早的滑移信号。
滑移不是瞬间发生，而是一个渐进过程
首先需要改变一个认知：滑移并不是一个非此即彼的结果。它不是物体一直被抓稳，然后突然掉落，而是一个逐步发展的过程。理解这一点，需要把视角聚焦到指尖与物体真正接触的区域。
从微观尺度来看，没有真正光滑的表面。即使经过抛光的玻璃，也布满细小的峰谷，真正接触的只是这些微观凸起的顶部。柔软的指尖压在物体表面时，这些微观凸起相互咬合，但压力分布并不均匀：中心最大，边缘逐渐减小。当切向力不断增大，例如重力使杯子下滑或手臂横向加速时，接触区域边缘的微观凸起会率先脱离，而中心仍保持接触。因此，同一接触区域会同时出现两种状态：边缘开始滑移，中心依然稳定。
这就是初始滑移。此时，接触区域的一部分已经滑移，另一部分仍保持稳定。虽然物体尚未发生明显位移，但抓握已经开始失稳。初始滑移之所以重要，是因为它为机器人提供了在物体脱手前及时调整的机会。
这一过程也可以用摩擦锥来解释。指尖压力越大、摩擦越强，抓握能够承受的切向力就越大。当切向力超过摩擦极限时，局部滑移便会演变为整体滑移。此时，机器人已无法阻止滑移，只能在滑移发生后再作出反应。
真正的关键，不是判断“物体是否已经掉落”，而是识别“接触界面是否已经开始失稳”。前者只能在问题发生后补救，后者则让机器人能够提前作出调整。
生物启示：抓握依靠的是反射，而不是思考
大自然早已通过人手解决了这一问题，而研究人类触觉机制，为机器人提供了重要启发。20世纪80年代，Johansson和Westling通过微神经电图研究发现，当物体开始滑移时，人类会在约74毫秒内自动调整抓握力，无需经过意识判断。其中发挥关键作用的是快适应感受器。它们不会响应持续压力，而是专门感知动态、高频振动，如同生物加速度计，能够捕捉接触边缘微观结构脱离时产生的振动信号。
74毫秒这一响应速度为机器人触觉感知提供了重要参考：检测滑移需要捕捉快速振动，而稳定控制抓握则需要同时了解压力和剪切力分布。
双速率感知：振动与压力协同感知
越来越多来自生物学和芯片领域的研究，都指向同一个结论：没有任何一种传感信号能够单独完成滑移检测。
滑移初期是一个瞬态过程，需要捕捉物体开始滑移时产生的高频振动，其频率主要集中在几十到几百赫兹。而判断抓握状态，则需要获取受力位置、压力分布以及与摩擦极限的距离，这正是高密度电容式传感的优势所在。两类感知信息缺一不可：一种负责捕捉快速变化，另一个提供接触区域的完整状态信息。
因此，业界逐渐形成了一种双通道、双速率的感知架构，与人类皮肤的分层感知机制十分相似：
- 快速通道：快速通道采用压电薄膜（PVDF）或微型加速度计等动态传感器，通过千赫兹级高速采样捕捉细微振动。这些振动反映了摩擦产生的信号，是物体开始滑移时的特征，也对应人类快速适应神经末梢的作用。
- 空间通道：采用高密度电容式压力/剪切力传感阵列，获取接触区域的静态状态，包括受力中心位置、载荷分布，以及压力中心是否正在向即将失稳的边缘移动。
一个通道负责检测滑移的开始，另一个通道负责感知受力位置、受力大小以及与摩擦极限的距离。两者融合后，才能完整反映接触过程的时空变化，这是任何单一通道都无法做到的。双速率架构并非某个实验室的特殊设计，而是解决滑移感知这一物理问题的自然结果，也是贯穿本系列文章的重要思路。
这也带来一个关键要求：快速通道必须足够快。滑移振动频率可达数百赫兹。根据奈奎斯特采样定理，采样频率必须超过目标最高频率的两倍，否则不仅会遗漏真实振动，还会产生错误的低频信号。因此，动态通道通常需要千赫兹级采样。空间通道无法捕捉高频瞬态信号，而快速通道也无法反映接触区域的受力分布。两者缺一不可。
为什么速度并不是滑移检测的正确指标？
多年来，滑移检测主要依赖速度判断，即通过测量触觉表面的滑动速度来识别滑移。这种方法直观有效，但面对未知物体时容易失效。
测试显示，速度检测在柔软、不规则物体上的表现较差。例如，在海绵和电脑鼠标上，检测准确率会降至40%左右。原因在于，柔软物体会导致传感皮肤发生较大形变，系统容易将自身形变误判为物体滑动，信号也因此被噪声淹没。
一种更可靠的方法借鉴了热力学中的熵概念，通过分析接触状态从有序到无序的变化来判断滑移。在光学触觉传感器中，柔性凝胶层上的标记点会被背后的微型摄像头捕捉。稳定抓握时，标记点虽然会发生位移，但整体仍保持有序，位移场熵较低。随着抓握失稳，无序状态逐渐增加，并首先出现在接触区域边缘，也就是滑移环形成的位置。通过量化这种变化，系统无需预先建立物体模型，也能提前发现抓握失效的迹象。
不过，复杂形状的物体即使稳定放置，也可能天然具有较高熵值。例如，凹凸不平的表面本身就可能呈现“无序”状态。因此，关键并不是观察熵值本身，而是关注熵的变化速度，即熵变化率。通过追踪熵变化趋势，系统可以过滤由物体形状带来的静态噪声，捕捉无序开始增加的瞬间。有研究方法在无需提前了解物体特征的情况下，实现了超过95%的滑移检测准确率。真正暴露滑移迹象的不是熵值，而是熵的变化率。由于无序是抓握失效过程中的普遍特征，这种方法对物体先验知识的依赖更低。只适用于训练过的物体，并不是真正的灵巧操作，而只是记忆。
“智能抓握”：避免掉落，也避免夹碎
检测到滑移只是第一步，真正的挑战在于如何精准响应。最直接的方法是增加夹持力，但这可能损坏脆弱物体、改变物体位置，甚至造成力量浪费。人类抓取物体时，会使用刚好足够的力量，并保留一定安全余量，这也是我们能够拿起树莓而不将其压碎的原因。
更先进的控制方法则通过多指机械夹爪，在抓握的“零空间（null space）”内重新分配内部力。也就是，在不改变物体整体受力的情况下，调整手指与物体之间的接触方式，让抓握更加稳定。这一过程主要通过三种方式实现：
- 扩大摩擦锥范围：沿物体表面法向增加一定压力，提高滑移前的安全余量。
- 减少滑动力：主动降低推动物体发生滑移的切向力。
- 平衡受力分布：将负载分散到多个手指之间，避免单一接触点承受过大压力。
这种响应式控制能够在面对未知物体时实时调整抓握力，无需依赖预先建立的物体模型，并将滑移抑制速度提升至接近人类约74毫秒的反射水平。感知，然后响应。
从物理智能到芯片落地
双速率感知、关注变化趋势，以及适应未知物体，代表了当前机器人触觉研究的重要方向。同时，它们也带来了学习和硬件层面的挑战，而这正是最令人期待的部分。
人类并不是简单地对滑移做出反应，而是在不断学习。通过持续交互，神经系统会建立对不同材质、重量和接触状态的预判。这些经验形成感觉运动记忆，也就是我们常说的“肌肉记忆”，帮助人类提前判断抓握力度，并在环境变化时快速调整。物理AI也需要类似的学习闭环，让材料、传感硬件、信号处理和AI模型协同工作，不断提升抓握能力。
一个能够适应真实环境的机器人指尖，需要同时具备三种能力：第一，融合快速动态通道和高密度空间通道，获取完整触觉信息。第二，将传感数据快速转化为决策，判断是否发生滑移，并立即响应。部署在机械手内部的边缘AI处理器，可以在靠近传感器和执行器的位置完成触觉计算，在毫秒级闭合“感知—决策—执行”闭环，无需等待数据往返中央处理器。中央处理器则可以专注于更高层级的规划和协调。第三，在硬件老化和环境变化下，依然保持可靠感知。例如弹性材料磨损、温度漂移以及电气噪声干扰。其中，最困难的可能是：当硬件和环境不断变化时，仍能保持稳定的感知能力。
基于熵的方法只有建立在可靠传感基础上，才能真正适用于未知物体。传感器必须在环境变化中维持稳定基准，才能持续提取有效信号。从一个存在噪声、漂移和老化的系统中，在高速运行和数十亿次交互中提取真实接触信号，并不是一个全新的挑战。这与手机屏幕判断触控来自手指还是水滴的技术本质相同，只是如今这一能力被应用到了机器人的指尖。后续文章将继续展开
归根结底，未来灵巧机器人的竞争并不在于抓得更紧，而在于更早感知、从经验中学习，并在接触发生的位置快速响应，在物体掉落之前捕捉抓握中的“幽灵”。
系列下篇：《以神经元命名》——一家由触控板和神经计算领域先驱创立的公司，如何为机器人打造“神经系统”。