近日，由香港科技大學（HKUST）電子與計算機工程學系申亞京教授領導的研究團隊，提出了一種基于數字通道的觸覺交互系統，可以實時測量來自手不同部位的分布力，有望在醫學評估、體育訓練、機器人和虛擬現實（VR）等多個領域實現應用。
圖1 基于液壓、氣壓和機械彈簧原理的握力計
近幾個世紀，基于液壓、氣壓和機械彈簧原理的握力計是評估人手施加的力的常用方法，但它們只能提供最大力的信息，缺乏空間和時間的細節分布（圖1）。柔性觸覺仿生皮膚的發展為測量力的分布提供了新的機會，按其原理，可大致分為兩類：基于電信號的陣列式傳感（壓阻式、電容式、壓電、摩擦電等）和基于視覺的傳感技術（Gelsight、Tactip、TacLINK、Insight等）。基于電信號的傳感器在單點力測量時精度非常高，但存在大面積復雜接觸變形時引起的串擾問題，出現精度下降。基于視覺的方法可以避免電信號的串擾問題，提供更高的魯棒性，但其量程范圍通常較小（通常<10N），且同樣面臨多點大面積接觸時精度不足的問題。此外，其標定常需要大量數據集（通常>1GB）。簡而言之，現有的柔性觸覺傳感方式獲得的信息，本質上是來自多個未知負載源耦合的復雜模擬信號，這使得分布力的解碼非常復雜，特別是對于多點大面積復雜接觸的力分布，如手部的握力。
圖3 PhyTac的工作機制及潛在的廣泛應用。
圖4 引入數字通道后，分布力的位置與幅度均可精確重建。
“針對大規模分布式觸覺傳感技術，‘數字通道’的概念能夠為解碼力的位置提供一個新的維度，從而僅通過極小的數據集就可實現高精度和高魯棒性。”申教授解釋了這項研究的背景。
自然界中，螺旋女王蘆薈的旋轉葉序能夠避免葉子互相遮擋，從而來最大化得捕獲陽光（圖2C）。受此啟發，研究者將標記點以類似的螺旋結構排列以優化光路，使得PhyTac避免了由標記點互相遮擋引起的精度下降，并顯著提高了標記點的分布密度，這最終提高了力的傳感范圍和分辨率。
圖5展示了物理模型增強神經網絡（FEM-NN）的原理及其在小數據集上的優勢和高精度。FEM-NN的輸入是由數字通道得到的關鍵節點(key nodesof interest, KOI)和位移矩陣,輸出為增廣剛度矩陣，其僅需要一個很小的數據集(45KB)。引入的物理模型建立了一個力學框架（FEM），將標記位移和力大小聯系起來，并提供了包含PhyTac材料、幾何和力學性能的寶貴先驗知識。FEM-NN模型既采用了此力學先驗知識，并得益于神經網絡的強大擬合能力，有效地彌補了有限元模型與現實世界模型之間的物理缺失。結果表明，FEM-NN在整個量程范圍（0.5 ~ 25 N）內均保持了較高的精度，力的平均絕對誤差為0.11 N，平均相對誤差僅為2.3%，優于傳統基于純物理模型的方法和基于卷積神經網絡的方法（圖5C）。
圖5物理模型增強神經網絡（FEM-NN）的原理
圖6 正反手擊球時力分布的對比
圖7 在虛擬世界中精確操控雞蛋、花瓶和軟球（上圖）。遙控機器人手抓取、握住和傳遞物體（下圖）。
對于下一步的研究工作，團隊計劃將“數字通道”概念應用于其他幾何形狀的視觸覺傳感器上。他們認為，當克服干擾問題時，其他類型的分布式軟觸覺傳感器，如電阻式和電容式傳感器，也將從這項研究中獲益。
“我們的目標是為物理世界、虛擬世界和機器人之間建立智能交互的橋梁。PhyTac是實現這一目標的重要一步。它加深了我們對手部動作的理解，我們期望它能成為一種以手為中心的媒介，在醫學評估、體育訓練、機器人和虛擬現實（VR）等多個領域實現應用。”該項目的負責人申亞京教授說道。
原文鏈接：https://www.science.org/doi/10.1126/sciadv.adt2641
