At First Contact: Stiffness Estimation Using Vibrational Information for Prosthetic Grasp Modulation
作者: Anway S. Pimpalkar, Ariel Slepyan, Nitish V. Thakor
分类: cs.RO
发布日期: 2024-11-27 (更新: 2024-12-12)
备注: 5 pages, 7 figures, for IEEE Sensors Letters
DOI: 10.1109/LSENS.2025.3584860
💡 一句话要点
利用振动信息进行刚度估计，实现假肢抓握力度的精确调节
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 刚度估计 触觉传感 压电传感器 机器学习 假肢 机器人抓取 振动分析 实时控制
📋 核心要点
- 传统刚度估计依赖力与位移测量，对实时传感集成要求高，难以满足假肢精细操作的需求。
- 该研究提出一种基于压电传感器的振动分析方法，在首次接触后快速估计物体刚度。
- 实验表明，该方法能以高精度和低延迟估计物体刚度，实现假肢抓握的实时调节。
📝 摘要（中文）
刚度估计对于机器人和假肢手进行精细物体操作至关重要，但由于依赖于力和位移测量以及实时传感集成，因此仍然具有挑战性。本研究提出了一种压电传感框架，用于在捏取抓握的首次接触时进行刚度估计，从而解决了传统基于力的方法的局限性。受人类皮肤的启发，开发了一种多模态触觉传感器，可以捕获振动和力数据，并将其集成到假肢手指尖中。包括支持向量机和卷积神经网络在内的机器学习模型表明，首次接触后15毫秒内的关键振动信号能够可靠地编码刚度信息，在不同刚度的真实物体上实现了高达98.6%的分类精度和低至2.39 Shore A的回归误差。推断时间小于1.5毫秒，明显快于平均抓握闭合时间（在我们的数据集中为16.65毫秒），从而能够在完全抓握物体之前进行实时刚度估计。通过利用抓握动力学中的瞬态不对称性（即一个手指先于其他手指接触物体），该方法能够实现早期抓握调节，从而提高假肢手的安全性和直观性，同时在机器人技术中具有广泛的应用。
🔬 方法详解
问题定义：论文旨在解决假肢或机器人手在抓取物体时，如何快速准确地估计物体刚度的问题。现有方法主要依赖于力传感器和位移传感器，需要复杂的校准和计算，并且对环境噪声敏感，难以实现快速、鲁棒的刚度估计。尤其是在假肢应用中，需要快速响应以避免损坏物体或造成用户不适。
核心思路：论文的核心思路是利用物体在首次接触时产生的振动信号来推断其刚度。作者认为，不同刚度的物体在受到冲击时会产生不同的振动频率和幅度，这些振动信息可以被触觉传感器捕捉并用于刚度估计。这种方法无需精确测量力和位移，而是通过分析振动信号的特征来实现快速刚度估计。
技术框架：整体框架包括：1）多模态触觉传感器，集成压电传感器和力传感器，用于采集振动和力数据；2）信号处理模块，对采集到的振动信号进行滤波、降噪和特征提取；3）机器学习模型，包括支持向量机（SVM）和卷积神经网络（CNN），用于建立振动特征与物体刚度之间的映射关系；4）实时控制模块，根据估计的刚度值调节假肢的抓握力度。
关键创新：该研究的关键创新在于利用首次接触时的瞬态振动信息进行刚度估计。与传统的稳态力/位移方法相比，该方法能够更快地获取刚度信息，从而实现更快的抓握调节。此外，多模态触觉传感器的设计能够同时捕捉振动和力信息，提高了刚度估计的准确性和鲁棒性。
关键设计：在传感器设计方面，作者模仿人类皮肤的结构，将压电传感器嵌入到假肢手指尖的弹性材料中，以提高振动信号的灵敏度。在机器学习模型方面，作者比较了SVM和CNN的性能，发现CNN能够更好地提取振动信号的特征，从而获得更高的刚度估计精度。此外，作者还优化了信号处理算法，以减少噪声的影响并提高特征提取的效率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于振动信号的刚度估计方法能够实现高达98.6%的分类精度和低至2.39 Shore A的回归误差。与传统的基于力的方法相比，该方法能够在更短的时间内（小于1.5毫秒）完成刚度估计，从而实现更快的抓握调节。此外，该方法在不同刚度的真实物体上都表现出良好的性能，表明其具有较强的鲁棒性和泛化能力。
🎯 应用场景
该研究成果可广泛应用于机器人和假肢领域。在假肢应用中，能够帮助用户更安全、更自然地抓取物体，提高生活质量。在机器人领域，可用于提高机器人操作的灵活性和适应性，例如在装配、分拣等任务中，机器人可以根据物体的刚度自动调节抓握力度，避免损坏物体。
📄 摘要（原文）
Stiffness estimation is crucial for delicate object manipulation in robotic and prosthetic hands but remains challenging due to dependence on force and displacement measurement and real-time sensory integration. This study presents a piezoelectric sensing framework for stiffness estimation at first contact during pinch grasps, addressing the limitations of traditional force-based methods. Inspired by human skin, a multimodal tactile sensor that captures vibrational and force data is developed and integrated into a prosthetic hand's fingertip. Machine learning models, including support vector machines and convolutional neural networks, demonstrate that vibrational signals within the critical 15 ms after first contact reliably encode stiffness, achieving classification accuracies up to 98.6% and regression errors as low as 2.39 Shore A on real-world objects of varying stiffness. Inference times of less than 1.5 ms are significantly faster than the average grasp closure time (16.65 ms in our dataset), enabling real-time stiffness estimation before the object is fully grasped. By leveraging the transient asymmetry in grasp dynamics, where one finger contacts the object before the others, this method enables early grasp modulation, enhancing safety and intuitiveness in prosthetic hands while offering broad applications in robotics.