[논문 리뷰] Multi-tap Resistive Sensing and FEM Modeling enables Shape and Force Estimation in Soft Robots

Sumei Tian, Barnabas Gavin Cangan외 4명|arXiv (Cornell University)|2023. 11. 24.

Soft Robotics and Applications인용 수 1

한 줄 요약

이 논문은 표준 부품으로 사용 가능한 센서를 사용하여 소프트 로봇에서 고해상도 프로 prioception을 가능하게 하기 위해 다중 탭 저항 센싱 기술과 유한요소모델링(FEM)을 결합한 방법을 제안한다. 소프트 로봇 구조에 다중 탭 휘어짐 센서를 내장하고 유체 액추에이션을 고려한 FEM 모델을 사용함으로써, 전체 길이에서 약 3% 평균 상대 오차로 형태를 추정하고, 0–5 N 범위에서 외부 힘을 11% 상대 오차로 추정할 수 있으며, 외부 추적 장치 없이도 실시간 피드백 제어를 가능하게 한다.

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.

연구 동기 및 목표

• 소프트 로봇의 밀도 있는 패키징과 내부 센서만을 고려할 때도 신뢰할 수 있는 프로 prioception을 확보하고자 한다.
• 단일 센서와 일정 곡률 가정을 초월해 형태 및 힘 추정 정확도를 향상시키고자 한다.
• 수정된 다중 탭 저항 센서를 사용해 고해상도 국소 변형 감지를 가능하게 하고자 한다.
• 액추에이션 입력과 센서 데이터를 통합하는 모델 기반 접근법을 개발하여 정확한 상태 추정을 수행하고자 한다.
• 비정형적이고 인간 중심 환경에서 소프트 그립퍼에 실시간으로 내장된 프로 prioception을 구현하고자 한다.

제안 방법

• 저항성 휘어짐 센서의 도전성 층에 다중 전기 탭을 형성하여 다중 세그먼트 저항 측정이 가능한 방식으로 표준 부품을 수정한다.
• 다중 탭 센서에서 유도된 비선형적이고 결합된 저항 신호를 해석하기 위해 신경망을 사용하여 국소 형태 기술자(위치 및 회전 변위)로 변환한다.
• SOFA에서 유한요소법(FEM) 모델을 개발하여 소프트 로봇의 기계적 거동을 시뮬레이션하며, 유체 액추에이션과 내장된 센서 기하학도 포함한다.
• 다중 탭 센서의 읽기 값을 FEM 모델의 경계 조건으로 통합하여 전체 몸체의 형태와 외부 힘을 추정한다.
• 탄성 스트립과 소프트 압력식 손가락에서의 실험 데이터를 사용해 FEM 모델을 校정하여 정확도를 향상시킨다.
• 형상 및 힘 추정을 위해 시각 기반 참값과 힘-토크 센서를 사용해 접근법을 검증한다.

실험 결과

연구 질문

• RQ1 다중 탭 저항 센싱은 단일점 측정에 비해 소프트 로봇에서 국소 변형 해상도를 향상시킬 수 있는가?
• RQ2 FEM 기반 모델은 내장된 센서 데이터와 액추에이션 입력만으로 소프트 로봇의 전체 형태를 정확히 재구성할 수 있는가?
• RQ3 어느 정도의 오차로 시스템은 임의의 위치에 작용하는 외부 힘을 추정할 수 있는가?
• RQ4 액추에이션 압력와 외부 하중이 변화할 경우 모델의 성능은 어떻게 되는가?
• RQ5 재학습 없이도 다양한 물체 형태와 접촉 지점에 대해 일반화가 가능한가?

주요 결과

• 시스템은 소프트 로봇 전체 길이에서 약 3% 평균 상대 오차로 형태 추정을 달성한다.
• 0–5 N 범위에서 외부 힘 추정의 상대 오차는 11%이며, 다양한 접촉 위치에서 일관된 성능을 보인다.
• 다중 탭 센서는 단일 센서의 활성 길이를 초월해 전체 형태 재구성을 가능하게 하며, 단일 탭 방법과는 다르게 기능한다.
• FEM 기반 모델은 재학습이나 새로운 데이터 수집 없이도 새로운 물체 형태와 접촉 지점에 잘 일반화된다.
• 탄성 스트립에서는 30 Hz, 더 복잡한 소프트 손가락에서는 5 Hz로 실시간으로 실행되어 내장 제어에 대한 실현 가능성을 입증한다.
• 모델 기반 접근법임에도 불구하고, 이전 연구에서 0.5 N이었던 범위 대비 5 N의 더 넓은 범위에서 데이터 기반 방법을 초월하며 상대 오차도 우수하다.