[論文レビュー] Multi-tap Resistive Sensing and FEM Modeling enables Shape and Force Estimation in Soft Robots

Sumei Tian, Barnabas Gavin Cangan+4 more|arXiv (Cornell University)|Nov 24, 2023

Soft Robotics and Applications被引用数 1

ひとこと要約

本稿では、市販のセンサを用いて高分解能の自己認識を実現するため、マルチタップ抵抗センシングと有限要素法（FEM）モデリングを組み合わせたアプローチを提案する。ソフトロボット構造内にマルチタップ型のフレキシブルセンサを埋め込み、流体駆動を考慮したFEMモデルを用いることで、形状推定の平均相対誤差は約3%、外部力推定の相対誤差は5 Nの範囲で11%に抑えられ、外部追跡を用いずに閉ループ操作が可能になる。

ABSTRACT

We address the challenge of reliable and accurate proprioception in soft robots, specifically those with tight packaging constraints and relying only on internally embedded sensors. While various sensing approaches with single sensors have been tried, often with a constant curvature assumption, we look into sensing local deformations at multiple locations of the sensor. In our approach, we multi-tap an off-the-shelf resistive sensor by creating multiple electrical connections onto the resistive layer of the sensor and we insert the sensor into a soft body. This modification allows us to measure changes in resistance at multiple segments throughout the length of the sensor, providing improved resolution of local deformations in the soft body. These measurements inform a model based on a finite element method (FEM) that estimates the shape of the soft body and the magnitude of an external force acting at a known arbitrary location. Our model-based approach estimates soft body deformation with approximately 3% average relative error while taking into account internal fluidic actuation. Our estimate of external force disturbance has an 11% relative error within a range of 0 to 5 N. The combined sensing and modeling approach can be integrated, for instance, into soft manipulation platforms to enable features such as identifying the shape and material properties of an object being grasped. Such manipulators can benefit from the inherent softness and compliance while being fully proprioceptive, relying only on embedded sensing and not on external systems such as motion capture. Such proprioception is essential for the deployment of soft robots in real-world scenarios.

研究の動機と目的

• 密なパッケージィングと内部センサのみを備えたソフトロボットにおける信頼性の高い自己認識の課題に対処すること。
• 単一センサおよび一定曲率仮定を超える形状および力推定の精度を向上させること。
• 改良されたマルチタップ抵抗センサを用いて、高分解能の局所的変形センシングを実現すること。
• 駆動入力とセンサデータを統合するモデルベースの手法を開発し、正確な状態推定を実現すること。
• 非構造的かつ人間中心の環境下で、ソフトグリッパーに対してリアルタイムで埋め込み型自己認識を実現すること。

提案手法

• 導電層に複数の電気的タップを設けた市販の抵抗性フレキシブルセンサを改造し、複数セグメントの抵抗測定を可能にする。
• ニューラルネットワークを用いて、マルチタップセンサの非線形的かつ結合された抵抗信号を局所的形状記述子（位置および角度変位）に変換する。
• SOFAに実装された有限要素法（FEM）モデルを用いて、ソフトロボットの機械的挙動（流体駆動および埋め込みセンサの幾何形状を含む）をシミュレートする。
• マルチタップセンサの読み出し値をFEMモデルの境界条件として統合し、全体の形状および外部力の推定を行う。
• 柔軟なストリップおよびソフトな圧力付き指の実験データを用いてFEMモデルをキャリブレーションし、精度を向上させる。
• 形状および力推定の妥当性を検証するため、ビジョンベースの真値および力トルクセンサを用いる。

実験結果

リサーチクエスチョン

• RQ1 マルチタップ抵抗センシングは、ソフトロボットにおける単一点センシングと比較して、局所的変形分解能を向上させることができるか？
• RQ2 FEMベースのモデルは、埋め込みセンサデータと駆動入力のみを用いて、ソフトロボットの全形状を正確に再構成できるか？
• RQ3 外部力が任意の位置に作用する場合、最小限の誤差で推定できる範囲はどの程度か？
• RQ4 異なる駆動圧力および外部荷重条件下で、モデルの性能はどのように変化するか？
• RQ5 再トレーニングや新たなデータ収集を伴わずに、異なる物体形状および接触点に一般化できるか？

主な発見

• 本システムは、ソフトロボット全長にわたり、平均して約3%の相対形状推定誤差を達成した。
• 0–5 Nの範囲で外部力推定の相対誤差は11%であり、異なる接触位置においても一貫した性能を示した。
• マルチタップセンサにより、単一センサの有効長を超えた全形状再構成が可能になった（単一タップ手法では不可能）。
• FEMベースのモデルは、再トレーニングや新たなデータ収集を必要とせず、新しい物体形状および接触点に対しても良好に一般化した。
• 柔軟なストリップでは30 Hz、より複雑なソフト指では5 Hzでリアルタイムに動作し、埋め込み制御の実現可能性を示した。
• モデルベースの手法であるにもかかわらず、データ駆動手法を上回り、範囲は5 N（先行研究の0.5 N）で相対誤差も優れた性能を示した。