[论文解读] 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 1

一句话总结

本文提出一种结合多点触点阻性传感与有限元建模（FEM）的方法，利用现成传感器实现软体机器人高分辨率本体感觉。通过在软体机器人结构中嵌入多点触点弯曲传感器，并利用考虑流体驱动的FEM模型，系统实现了约3%的平均相对误差形状估计和0–5 N范围内11%的相对误差外部力估计，从而在无需外部追踪的情况下实现闭环操作。

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.

研究动机与目标

• 为解决在紧凑封装中仅使用内部传感器时软体机器人可靠本体感觉的挑战。
• 在超越单传感器、恒曲率假设的基础上，提升形状与力估计的准确性。
• 通过改进的多点触点阻性传感器实现高分辨率局部形变传感。
• 开发一种基于模型的方法，整合驱动输入与传感器数据以实现精确状态估计。
• 在非结构化、以人类为中心的环境中，实现软夹具的实时嵌入式本体感觉。

提出的方法

• 通过在现成阻性弯曲传感器的导电层上创建多个电气触点，实现多段电阻测量，从而对传感器进行改造。
• 使用神经网络将多点触点传感器输出的非线性、耦合的电阻信号解码为局部形状描述符（位置与角位移）。
• 在SOFA中开发有限元方法（FEM）模型，以模拟软体机器人的机械行为，包括流体驱动和嵌入式传感器几何结构。
• 将多点触点传感器读数作为FEM模型的边界条件，以估计整体形状与外部作用力。
• 通过柔性条带和软性加压手指的实验数据对FEM模型进行校准，以提高精度。
• 使用基于视觉的真值和力矩传感器对形状与力估计进行验证。

实验结果

研究问题

• RQ1 与单点传感相比，多点触点阻性传感是否能提升软体机器人中局部形变的分辨率？
• RQ2 基于FEM的模型是否能仅通过嵌入式传感器数据和驱动输入准确重建软体机器人的整体形状？
• RQ3 该系统在最小误差下，能在多大程度上估计作用于任意位置的外部力？
• RQ4 在不同驱动压力和外部载荷下，模型的性能如何？
• RQ5 该方法是否能在无需重新训练的情况下泛化至不同物体形状和接触点？

主要发现

• 系统在软体机器人全长范围内实现了约3%的平均相对形状估计误差。
• 在0–5 N范围内，外部力估计的相对误差为11%，且在不同接触位置下表现一致。
• 多点触点传感器使形状重建范围超出单个传感器的有效长度，而单点方法无法实现这一点。
• 基于FEM的模型在无需重新训练或新数据采集的情况下，能良好泛化至新物体形状和接触点。
• 模型在柔性条带上以30 Hz实时运行，在更复杂的软手指上以5 Hz运行，证明了其在嵌入式控制中的可行性。
• 尽管采用基于模型的方法，该方法在量程和相对误差方面仍优于数据驱动方法，其量程达5 N，而先前工作仅为0.5 N。