随着灵巧手、人形机器人和可穿戴电子技术的快速发展，触觉传感器的面积和分辨率越来越高，海量触觉信息处理的时效性已成为未来具身智能体发展的关键瓶颈之一。人体皮肤密布触觉感受器，能对周边环境和大范围应力信息进行实时、精细感知。面向触觉传感器信号读取和处理实时性问题，南京大学物理学院缪峰/梁世军教授团队提出并构建高并行度“电子皮肤”原型系统，通过柔性电容式应力传感器阵列与柔性忆阻器阵列级联，利用频分复用技术，实现应力图样的高吞吐、低延时读取、处理与识别原理性验证。相比于传统触觉传感方案，大幅降低了处理延时和全阵列并行操作的布线复杂度。相关研究成果以“Massively parallel in-sensor skinomorphic computing”（高并行度皮肤拟态传感器内计算）为题，于北京时间2026年4月8日在线发表在国际学术期刊Nature Communications（《自然·通讯》）上。

01 频分复用实现全阵列并行读取和处理

面向可穿戴设备和具身智能系统对大规模触觉信息获取和处理的实时性与吞吐量要求，研究团队受人类皮肤中的触觉感受器的结构与机制启发，提出在近传感端和模拟域内直接实现全阵列高并行度触觉信息读取与处理新范式（如图1所示）。该方案利用频分复用技术，基于平行板电容器基本物理模型和基尔霍夫电流/电压定律，通过给阵列每行加载多频交流模拟信号，在加载应力图案的同时并行完成全幅触觉信息的读取与处理，并将结果体现在列输出信号的频谱特征中，颠覆了传统触觉传感器的串行读出和处理模式。在数学上，该处理过程等价于变换矩阵（输入交流电压信号的频谱）与应力图样矩阵（施加应力图样后各器件的电容变化量）的乘法，当变换矩阵为单位矩阵时，即执行并行读出功能。该方案不仅大幅减少了触觉图样的读取和处理时间，同时对于一个N×N的阵列，传统方式要实现全阵列并行读取和处理，需要N×N个端口数，而本方案仅需要2N个端口数即可实现全阵列并行处理，大幅降低了阵列的布局布线复杂度。在阵列规模增加情况下，本方案带来的延时和布线优势还将更加显著，为大面积、高分辨率、高吞吐量、低延时电子皮肤的设计与实现提供了全新的理论视角和工程途径。

图1：大规模并行皮肤拟态传感器内计算。(a) 人体皮肤的触觉感知和处理示意图；(b) 基于柔性电容式传感器阵列实现皮肤拟态高并行度信号读取与计算示意图，应力图样转化为电容传感阵列中各器件的电容变化量；(c-d) 电容传感阵列中频分复用技术的实现方案：阵列输入的交流电压信号频谱构成变换矩阵，将其与阵列本身的电容变化量矩阵相乘，得到的输出电流信号积分的频谱即表示处理结果矩阵。如果变换矩阵的形式是单位矩阵，则执行全阵列并行读取功能。

02 高并行度柔性电子皮肤系统构建：电容式触觉传感阵列与忆阻器阵列级联

在硬件实现方面，研究团队制备了柔性32×32规模电容式触觉传感阵列，并对各器件进行了系统性的应力测试和表征（如图2所示）。测试结果展现出宽动态、高耐久性和均匀性的特点，为电子皮肤系统的构建提供了硬件条件。在此基础上，研究团队将柔性电容式触觉传感阵列与同等规模的柔性忆阻阵列级联，搭建了高并行度柔性电子皮肤原型系统（如图3所示）。在实验上验证了该系统对NJU应力图样的高并行度全阵列一次性读取功能。进一步地，研究团队利用特定的变换矩阵，并将矩阵映射为忆阻器阵列的电导权重，通过多频交流信号作为载波输入，实现了对残破的NJU应力图样的一次性并行修复与重建功能验证。在更换其他类似应力图案时，只需微调忆阻器阵列中的少量电导权重，即可完成修复，展示了高并行度皮肤拟态感内计算架构对触觉图样信息的高效读取与处理能力。

图2：柔性电容式压力传感阵列。(a) 阵列照片及结构示意图；(b) 阵列的扫描电镜照片，包含顶视和侧视；(c) 电容式柔性传感器的压力响应曲线；(d) 1024个柔性电容传感阵列的响应均匀性表征；(e) 柔性电容传感器的耐久性测试。

图3：传感器内并行计算的硬件实现。(a) 32×32柔性电容式传感阵列与32×32柔性忆阻器阵列级联系统示意图；(b) 测试系统实物照片，包含应力图样施加装置; (c) 传感器阵列加载完整NJU压力图样的读出结果，此时忆阻器阵列的电导权重配置为单位矩阵形式；(d) 各列输出的不同频率电压幅度值的实测结果与模拟结果对比；(e) 传感器阵列加载破损的NJU压力图样的读出结果；(f) 用于压力图样修复的特定权重矩阵；(g) 忆阻器阵列加载该矩阵后的传感器阵列最终输出结果。 

03 触觉图样信息的高并行处理与识别

研究团队进一步构建由两个忆阻器阵列与电容式传感阵列级联组成的电子皮肤系统，在近传感端实现复杂触觉图样信息的压缩、特征提取和模式识别功能的原理性验证（如图4所示）。该方案同样基于频分复用思路，将两个矩阵相乘拓展到三个矩阵相乘，实现高并行度二维离散傅里叶变换，将空间域应力图样转化为频域，实现纹理特征的高效提取。研究团队对周期性应力图样和非周期性应力图样分别进行了变换处理，与原始空间域相比，变换后的频域平面具有稀疏性的特点，在大幅降低数据量、减少数据冗余的同时，仍然能够保留关键特征信息用于应力模式识别。通过构建同时包含周期性图样和非周期性图样的数据集，进行神经网络训练和测试表明，基于频域特征的识别准确率能够达到与基于原始应力图样识别准确率相当的水平。本工作提出的高并行度皮肤拟态计算范式和原型系统，为大面积、高分辨触觉信息的一次性读取和处理提供了启发性思路，也为具身智能机器人灵巧手和新一代电子皮肤的设计提供了全新的硬件实现方案。

图4：复杂应力图样的高并行度纹理特征提取与识别。(a) 系统结构示意图：通过将一个32×32柔性电容式传感阵列与两个32×32柔性忆阻器阵列级联，实现对应力图样的高并行度二维傅里叶变换；(b-c) 对周期性和非周期性应力图样的傅里叶变换结果；(d) 构建包含周期和非周期应力图样的数据集；(e) 数据集对应的傅里叶变换结果；(f) 基于原始应力图样和傅里叶变换后的图样识别准确率。

南京大学物理学院特任副研究员李遗祥、南京大学智能科学与技术学院杨悦昆副教授和王聪助理教授为该工作的共同第一作者。南京大学物理学院缪峰教授和梁世军教授为该工作的共同通讯作者。该工作得到了国家重点研发计划、新基石科学基金会、国家自然科学基金等项目的资助。

文章链接：https:// www.nature.com/articles/s41467-026-71697-1