機器人技術正經歷從程序執行到智能交互的重大變革，觸覺感知作為實現精細操作的核心能力，其發展水平直接影響人機協作的深度。然而，現有系統在感知維度、分辨率和信號解析能力上仍與人類存在顯著差距，導致機器人常陷入"有感無知"的困境。針對這一挑戰，科研團隊從鴿子獨特的感知系統獲取靈感，成功研制出仿生多模態觸覺傳感器SuperTac，相關成果登上《Nature Sensors》創刊號封面。

研究團隊構建的SuperTac系統突破性地將多光譜成像、摩擦電傳感與慣性測量技術融為一體。該傳感器通過模擬鴿子視網膜的多光譜感知機制，集成了覆蓋紫外至中紅外波段的超寬頻成像模塊，可同步獲取物體形狀、紋理、顏色及溫度信息。在非成像感知方面，1毫米厚的傳感器皮膚內嵌摩擦納米發電機和慣性測量單元，既能通過接觸起電原理識別材質（準確率達95%），又能捕捉0-60Hz的振動信號，實現接近覺感知與空間姿態監測的雙重功能。

傳感器核心的光場調制皮膚采用創新設計，其外層導電層運用透明PEDOT:PSS材料，通過渦旋線電極布局實現均勻電學信號輸出。單向透視反射層作為光學開關，可根據內部LED狀態切換透明度：當光源開啟時，反射層轉為不透明狀態，配合CMOS單元捕捉皮膚形變；光源關閉時則變為透明，使傳感器直接獲取物體顏色信息。紫外熒光標記層的加入，進一步實現了形變監測與紋理檢測的解耦，確保復雜抓取過程中同步獲取切向滑動與表面細節。

為解決觸覺信號的語義轉化難題，研究團隊開發了擁有85億參數的觸覺語言大模型DOVE。該模型采用分層架構，以預訓練語言模型Vicuna為骨干，并行集成四組CLIP模態編碼器，將顏色、紋理、溫度等觸覺特征轉化為深層特征向量。通過三階段訓練策略，模型先利用CLIP實現異構信號的圖像化表征，再通過投影層完成觸覺-語言空間對齊，最終通過微調使系統具備常識推理能力。這種設計使機器人能夠建立操縱目標的"物理畫像"，例如將未知杯子的觸覺信息轉化為"黃色、室溫、金屬材質、凸起紋理"的描述。

在應用測試中，SuperTac系統展現出強大的環境適應能力。面對未知物體時，DOVE模型可實時融合多模態數據，不僅完成基礎識別，還能結合常識進行功能推理。在垃圾分揀實驗中，系統通過分析物體的PET特征與輕薄結構，準確判定其為塑料飲料瓶，并依據環保常識建議投入可回收垃圾桶。這種從物理感知到語義認知的跨越，使機器人具備了類人的具身交互能力，能夠根據觸覺反饋做出邏輯決策。

該技術的突破為機器人感知領域開辟了新方向。硬件層面，傳感器微型化與高集成封裝設計顯著提升了靈巧手的操作靈活性，低功耗芯片的應用則解決了高負載下的散熱難題。認知層面，DOVE模型的模態無關框架可通過優化傳感器配置持續增強泛化能力，其專用數據集的構建為自然人機交互奠定了基礎。這項研究標志著機器人觸覺感知向人類水平邁出關鍵一步，有望在醫療、制造、服務等領域引發變革。