柔性仿生机器人的感知功能实现需要传感器可集成且具备一定的柔性，否则由于顺应性不足很难得到良好应用效果。在本文中，作者将柔性仿生手指作为应用载体，探索一种基于液态导电金属的柔性触觉力/应变感知纤维，可完全贴合载体，同时实现手指指尖触觉力和关节角度两个物理量测量。具体来说，本文将液态导电金属注入到一定长度的预制硅胶软管替代常规的微流腔道制作，进而形成管状且可任意变形和布局的柔性传感纤维，实现检测不同的变形物理量（本文中利用其力和应变感知性能），该方法在保证器件柔性和功能性的前提下也极大地降低微流腔道工艺的复杂性与繁琐性。最后，测量实验结果表明，基于液态导电金属的柔性传感纤维可嵌入并完全贴合柔性手指结构，并实现对手指的指尖触觉力感知（约1 600 kPa）和关节角度变化（约60°）同时感知及某一特定力/角度下的准确跟踪，展示了其作为柔性感知单元，可应用在更多类型的柔性或软体类应用载体的巨大潜力。

现有的指静脉分割网络大多需要消耗极大内存和计算资源，难以直接部署到嵌入式平台上，大部分模型轻量化方法存在参数减小导致分割性能急剧下降、算力受限和实时性等问题。针对上述问题，本文提出了一种超轻量级指静脉纹络实时分割网络—SGUnet。首先，使用沙漏状的深度可分离卷积极大地减少基础模型参数，并采用轻量级高效注意力模块实现无降维的局部跨通道交互，提升网络分割性能。其次，为了解决部分特征图存在冗余的问题，使用Cheap operation来替代部分“懈怠”的卷积核，得到相似的特征图。最后，采用特征信息交互的方法，打开分组卷积的组间通道，解决了分组特征组之间信息不流通的问题。与传统Unet分割网络相比，最终的SGUnet模型参数量约为传统Unet分割网络的1%，Mult-Adds约为0.5%。在两个公开的手指静脉数据集SDU-FV、MMCBNU-6000上验证网络性能，结果表明SGUnet网络在分割性能上不仅优于大型分割网络Unet、DU-Net、R2U-Net，而且超越了经典轻量级改进模型squeeze-Unet、Mobile-Unet、shuffle-Unet、Ghost-Unet。SGUnet网络Accuracy、Dice、AUC分别达到94.11%、0.538 4、0.935 4，并且在NVIDIA嵌入式平台上指静脉纹络提取的测试速度高达0.27秒/张。