Multi-Touch and Bending Perception Using Electrical Impedance Tomography for Robotics
作者: Haofeng Chen, Bedrich Himmel, Bin Li, Xiaojie Wang, Matej Hoffmann
分类: cs.RO
发布日期: 2025-03-17 (更新: 2025-09-02)
备注: This work has been submitted to the IEEE for possible publication
💡 一句话要点
提出基于EIT的机器人多点触控与弯曲感知框架，解决形变干扰问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 电阻抗成像 触觉感知 机器人皮肤 弯曲感知 深度学习
📋 核心要点
- 基于EIT的触觉传感器在弯曲时，形变会改变基线阻抗分布，并与触摸引起的电导率变化耦合，导致信号难以解释。
- 提出一种新颖的感知框架，结合深度神经网络进行交互状态分类，并使用动态自适应参考策略解耦触摸和形变信号。
- 实验结果表明，该框架能精确估计弯曲角度，高精度区分交互状态，并显著提升弯曲形变下的触摸定位质量。
📝 摘要（中文）
本文提出了一种基于电阻抗成像(EIT)的机器人分布式触觉感知框架，旨在解决表面弯曲变形对触觉信号解读的挑战。该框架集成了深度神经网络用于交互状态分类，并采用动态自适应参考策略来解耦触摸和形变信号。同时，利用数据驱动的回归模型将EIT电压变化转化为连续的弯曲角度。使用磁性水凝胶复合传感器进行验证，实验结果表明，该框架能够精确、鲁棒地估计弯曲角度，高精度区分触摸、弯曲和空闲状态，并显著提高弯曲变形下的触摸定位质量。实时实验验证了系统在不同形变条件下可靠检测多点触控交互和跟踪弯曲角度的能力。该研究为基于EIT的柔性机器人皮肤在机器人和人机交互中的多模态感知应用铺平了道路。
🔬 方法详解
问题定义：论文旨在解决基于电阻抗成像(EIT)的机器人触觉传感器在弯曲变形时，触摸信号易受干扰的问题。传统的EIT触觉传感器在表面发生弯曲时，由于形变会改变传感器的基线阻抗分布，并与触摸引起的电导率变化相互耦合，使得触摸信号的解读变得复杂，难以准确识别触摸位置和力度。现有方法通常采用固定的参考阻抗分布，无法有效消除形变带来的影响，导致触摸定位精度下降。
核心思路：论文的核心思路是通过动态自适应参考策略来解耦触摸和形变信号。具体来说，首先利用深度神经网络对交互状态（触摸、弯曲、空闲）进行分类，然后根据不同的交互状态，动态调整参考阻抗分布，从而消除形变对触摸信号的影响。此外，还利用数据驱动的回归模型将EIT电压变化转化为连续的弯曲角度，实现弯曲角度的精确估计。
技术框架：整体框架包含三个主要模块：1) 数据采集模块，通过EIT系统获取传感器表面的电压数据；2) 交互状态分类模块，使用深度神经网络对传感器的交互状态进行分类（触摸、弯曲、空闲）；3) 触摸定位与弯曲角度估计模块，该模块包含动态自适应参考策略和数据驱动的回归模型。动态自适应参考策略根据交互状态分类结果，选择合适的参考阻抗分布，消除形变影响。数据驱动的回归模型将EIT电压变化映射到弯曲角度。
关键创新：论文的关键创新在于提出了动态自适应参考策略，能够有效解耦触摸和形变信号。与传统的固定参考方法相比，该策略能够根据不同的交互状态，动态调整参考阻抗分布，从而消除形变对触摸信号的影响，提高触摸定位的精度和鲁棒性。此外，使用深度神经网络进行交互状态分类，提高了分类的准确性。
关键设计：交互状态分类模块采用深度神经网络，具体网络结构未知（论文未详细说明）。动态自适应参考策略的关键在于如何选择合适的参考阻抗分布，论文采用的方法未知（论文未详细说明）。数据驱动的回归模型采用的具体模型结构未知（论文未详细说明），但其目标是最小化预测弯曲角度与真实弯曲角度之间的误差。损失函数未知（论文未详细说明）。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该框架能够精确、鲁棒地估计弯曲角度，并能高精度区分触摸、弯曲和空闲状态。与传统的固定参考方法相比，该框架显著提高了弯曲变形下的触摸定位质量。实时实验验证了系统在不同形变条件下可靠检测多点触控交互和跟踪弯曲角度的能力。具体的性能数据和提升幅度在摘要中未给出，需要查阅论文正文。
🎯 应用场景
该研究成果可应用于柔性机器人皮肤、人机交互界面、可穿戴设备等领域。例如，在医疗机器人中，可以利用该技术实现对人体组织的精确触觉感知，辅助医生进行手术操作。在人机交互领域，可以开发出更加自然、灵敏的触觉交互界面，提升用户体验。此外，该技术还可以应用于智能假肢、康复机器人等领域，帮助残疾人更好地适应生活。
📄 摘要（原文）
Electrical Impedance Tomography (EIT) offers a promising solution for distributed tactile sensing with minimal wiring and full-surface coverage in robotic applications. However, EIT-based tactile sensors face significant challenges during surface bending. Deformation alters the baseline impedance distribution and couples with touch-induced conductivity variations, complicating signal interpretation. To address this challenge, we present a novel sensing framework that integrates a deep neural network for interaction state classification with a dynamic adaptive reference strategy to decouple touch and deformation signals, while a data-driven regression model translates EIT voltage changes into continuous bending angles. The framework is validated using a magnetic hydrogel composite sensor that conforms to bendable surfaces. Experimental evaluations demonstrate that the proposed framework achieves precise and robust bending angle estimation, high accuracy in distinguishing touch, bending, and idle states, and significantly improves touch localization quality under bending deformation compared to conventional fixed-reference methods. Real-time experiments confirm the system's capability to reliably detect multi-touch interactions and track bending angles across varying deformation conditions. This work paves the way for flexible EIT-based robotic skins capable of rich multimodal sensing in robotics and human-robot interaction.