CN110275615B - 一种力反馈仿真数据的生成方法及一种力反馈仿真系统 - Google Patents
一种力反馈仿真数据的生成方法及一种力反馈仿真系统 Download PDFInfo
- Publication number
- CN110275615B CN110275615B CN201910474557.1A CN201910474557A CN110275615B CN 110275615 B CN110275615 B CN 110275615B CN 201910474557 A CN201910474557 A CN 201910474557A CN 110275615 B CN110275615 B CN 110275615B
- Authority
- CN
- China
- Prior art keywords
- acquisition
- array
- force
- value
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了力反馈仿真数据的生成方法及力反馈仿真系统。其中,方法包括训练样本图形获取样本模型及样本的图像特征值。采集当前采集阵列中各采集点的力值,根据各采集点的灰度值生成检测阵列的当前图像。获取当前图像的图像特征值。根据样本图形、各采集点的灰度值及各采集点在当前检测矩阵中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据。通过CNN卷积神经网络构建样本图形,根据当前的多采集点生成当前灰度图形的当前图像特征值。通过当前图像特征值与样本图像特征值的匹配结果,根据样本图形仿真当前动作。对于对象细节多、采集面积较大及仿真采集数据精度高的模型可在不提升处理器性能的同时,保证其仿真的精度及准确性。
Description
技术领域
本发明属于机器学习及系统仿真领域,特别应用于力反馈的模拟场景,尤其涉及力反馈仿真数据的生成方法及力反馈仿真系统。
背景技术
在系统仿真的场景还原时,通过模拟力反馈点阵对仿真区域内的反馈力进行模拟输出。为了保证各反馈点的准确模拟,多采用多点力采集方式对仿真对象的施力状态进行采集。当仿真对象的采集细节较多、采集面积较大或仿真采集数据精度较高时,则需要在仿真对象上设置上百级或上千级的力采集点。采集点数量较多时,则会因处理器性能的局限,使采集数据无法在设定时间内准确处理,无法满足力反馈数据生成的需要。
发明内容
本发明实施方式提供力反馈仿真数据的生成方法及力反馈仿真系统,用于至少解决上述技术问题之一。
第一方面,本发明提供力反馈仿真数据的生成方法,包括以下步骤:
步骤S101,训练样本图形获取样本模型及样本的图像特征值。
步骤S102,采集当前采集阵列中各采集点的力值,根据各采集点的力值对应力值与灰度值对应关系获取各采集点的灰度值,根据各采集点的灰度值生成检测阵列的当前图像。
步骤S103,通过样本模型对当前图像进行卷积神经网络计算,获取当前图像的图像特征值。
步骤S104,若当前图像的图像特征值与样本的图像特征值匹配,则根据样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,力反馈仿真数据包括能够驱动各触点动作的驱动信息。
在本发明的一种优选的实施方式中,步骤S101中还包括:训练多个样本图形获取与其对应的多个样本模型及多个样本的图像特征值。
步骤S104中还包括:将当前图像的图像特征值匹配多个样本的图像特征值,获取与其对应的样本图形,根据该样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,力反馈仿真数据包括能够驱动各触点动作的驱动信息。
在本发明的一种优选的实施方式中,步骤S102中还包括:根据各采集点的灰度值对当前采集阵列中各采集点的对应位置进行渲染,获取检测阵列的当前图像。
在本发明的一种优选的实施方式中,步骤S102中还包括,根据设定的采集间隔时间,采集多个时间点的当前采集阵列中各采集点的力值,根据各时间点的各采集点的力值对应力值与灰度值对应关系获取各时间点的各采集点的灰度值,根据各时间点的各采集点的灰度值生成各时间点的检测阵列的当前图像。
步骤S103中包括,通过样本模型对各时间点的当前图像进行卷积神经网络计算,获取各时间点的当前图像的图像特征值。
步骤S104中包括,判断各时间点中设定数量的当前图像的图像特征值与样本的图像特征值是否匹配,若是,则根据样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,若否,则生成不匹配信息。
在本发明的一种优选的实施方式中,步骤S101中还包括,从样本图形中提取部分样本图形,训练部分样本图形获取部分样本模型及部分样本的图像特征值。
步骤S102,根据部分样本图形对应的检测阵列,获取与其对应的部分采集点。
采集当前采集阵列中各采集点的力值,根据各采集点的力值对应力值与灰度值对应关系获取各采集点的灰度值,根据部分采集点的灰度值生成检测阵列中部分采集点的当前图像。
步骤S103,通过样本模型对部分采集点的当前图像进行卷积神经网络计算,获取部分当前图像的图像特征值。
步骤S104,若部分当前图像的图像特征值与部分样本的图像特征值匹配,则根据部分样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,力反馈仿真数据包括能够驱动各触点动作的驱动信息。
在本发明的一种优选的实施方式中,步骤S104中根据样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布区域获取触感反馈阵列中各触点的力反馈仿真数据的步骤包括:
步骤S1041、根据各采集点的灰度值,匹配灰度值与施力值对应关系,获取各采集点的施力值,将各采集点的施力值对应于样本图形的相应位置,获取触感反馈阵列中各触点的力驱动值。
步骤S1042,从各采集点在当前检测阵列中的分布区域中提取特征线,获取特征线与样本图形中相应线的延伸方向夹角。
步骤S1043,根据各采集点在当前检测阵列中的分布区域,获取分布中心区域,根据分布中心区域确定触感反馈阵列的中心触点信息。
步骤S1044,根据延伸方向夹角、中心触点信息及各采集点在当前检测阵列中的分布区域获取当前工作触点。
步骤S1045、根据当前工作触点及触感反馈阵列中各触点的力驱动值合成力反馈仿真数据。
本发明第二个方面,提供了力反馈仿真系统,包括力采集单元、力反馈仿真数据的生成单元及触感反馈阵列单元。
力采集单元,配置为采集当前采集阵列中各采集点的力值。力反馈仿真数据的生成单元,配置为:训练样本图形获取样本模型及样本的图像特征值。
根据从力采集单元接收到的各采集点的力值对应力值与灰度值对应关系获取各采集点的灰度值,根据各采集点的灰度值生成检测阵列的当前图像。
通过样本模型对当前图像进行卷积神经网络计算,获取当前图像的图像特征值。
若当前图像的图像特征值与样本的图像特征值匹配,则根据样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列单元中各触点的力反馈仿真数据。
触感反馈阵列单元,配置为根据从力反馈仿真数据的生成单元,接收到的触感反馈阵列单元中各触点的力反馈仿真数据,驱动各触点振动或突出。
本发明一种优选的实施方式中,力采集单元包括,采集阵列及采集控制器及采集通信模块。
采集阵列包括,多个压力传感器,压力传感器设置在n*n阵列双向交汇处,多个压力传感器中的每一个具有采集端及采集输出端,采集端能够采集当前压力值,采集输出端能够将采集的当前压力值发送到采集输出端。
采集控制器的输入端与采集输出端连接,采集控制器接收多个压力传感器的当前压力值。采集控制器的输出端通过所述采集通信模块与力反馈仿真数据的生成单元的输入端连接。
本发明一种优选的实施方式中,触感反馈阵列单元包括,触感反馈阵列、触感驱动控制器及触感通信模块。
触感驱动控制器的输入端通过所述触感通信模块与力反馈仿真数据的生成单元的输出端连接,触感驱动控制器接收力反馈仿真数据的生成单元发送的触感反馈阵列中各触点的力反馈仿真数据,触感驱动控制器的输出端与力触感反馈阵列的输入端连接。
触感反馈阵列包括,多个振子或凸起装置,振子或凸起装置设置在m*m阵列双向交汇处,振子或凸起装置中的每一个具有对外施力端及驱动端,对外施力端能够振动或从初始位置凸起,驱动端连接触感驱动控制器的输出端,以使驱动端能够从触感驱动控制器接收触感反馈阵列中各触点的力反馈仿真数据,且能够根据触感反馈阵列中各触点的力反馈仿真数据驱动多个振子或凸起装置动作。
本发明一种优选的实施方式中,力反馈仿真数据的生成单元还配置为:
根据各采集点的灰度值,匹配灰度值与施力值对应关系,获取各采集点的施力值,将各采集点的施力值对应于样本图形的相应位置,获取触感反馈阵列中各触点的力驱动值。
从各采集点在当前检测阵列中的分布区域中提取特征线,获取特征线与样本图形中相应线的延伸方向夹角。
根据各采集点在当前检测阵列中的分布区域,获取分布中心区域,根据分布中心区域确定触感反馈阵列的中心触点信息。
根据延伸方向夹角、中心触点信息及各采集点在当前检测阵列中的分布区域获取当前工作触点。
根据当前工作触点及触感反馈阵列中各触点的力驱动值合成力反馈仿真数据。
由此可知,本发明中的力反馈仿真数据的生成方法及力反馈仿真系统。通过CNN卷积神经网络构建样本图形,根据当前提取的多个力采集点生成当前灰度图形的当前图像特征值。通过当前图像特征值与样本图像特征值的匹配结果,通过样本图形仿真当前动作。从而对于对象细节多、采集面积较大及仿真采集数据精度高的模型可在不提升处理器性能的同时,保证其仿真的精度及准确性。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施方式提供的力反馈仿真数据的生成方法的流程图。
图2为本发明一实施方式提供的力反馈仿真系统组成图。
图3为本发明一实施方式提供的样本图像。
图4为本发明一实施方式提供的采样灰度图像。
图5为本发明一实施方式提供的样本图像的局部图。
图6为本发明一实施方式提供的采样灰度图像的局部图。
图7为本发明一实施方式提供的样本图像与采样图像的夹角示意图。
图8为本发明一实施方式提供的样本图像与采样图像的中心及范围示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
本发明一方面的一种实施方式中,提供了力反馈仿真数据的生成方法,本方法可以通过力反馈仿真系统或装置实现。如图2 所示,上述力反馈仿真系统或装置包括力采集单元101、力反馈仿真数据的生成单元201及触感反馈阵列单元301。力反馈仿真数据的生成单元部101能够部署于PC服务器上或集成的处理模块中。
如图2 所示,力采集单元101配置为采集当前采集阵列102中各采集点的力值。力采集单元101包括,采集阵列102、采集控制器103及采集通信模块104。采集阵列 102包括,16个压力传感器A1~A16,如图1所示,16个压力传感器A1~A16分别设置在4*4阵列双向交汇处。需要说明的是,上述压力传感器的数量可以根据实际的采集面积及采集精度确定,例如:压力传感器的数量可选择64、128、256等数量。上述采集通信模块104能够实现无线及有线通讯功能。
16个压力传感器A1~A16中的每一个具有采集端及采集输出端。采集端能够采集当前压力值,采集输出端能够将采集的当前压力值发送到采集输出端。图中以压力传感器A4为例图示了压力传感器A4与采集控制器103连接的情况,其他的压力传感器的连接方式与其相同,在图中未示出。
采集控制器103的输入端与采集输出端连接,采集控制器103接收多个压力传感器A1~A16的当前压力值。采集控制器103的输出端通过采集通信模块104与力反馈仿真数据的生成单元201的输入端无线或有线连接。
力反馈仿真数据的生成单元201可采用单片机或FPGA等处理器件实现。触感反馈阵列单元301包括,触感反馈阵列302、触感驱动控制器303及触感通信模块304。上述触感通信模块304能够实现无线及有线通讯功能。
触感驱动控制器303的输入端通过触感通信模块304与力反馈仿真数据的生成单元201的输出端无线或有线连接,触感驱动控制器303接收力反馈仿真数据的生成单元201发送的触感反馈阵列302中各触点B1~B16的力反馈仿真数据,触感驱动控制器303的输出端与力触感反馈阵列302的输入端连接。
触感反馈阵列302包括,16个振子B1~B16或16个凸起装置B1~B16。16个振子 B1~B16或16个凸起装置B1~B16设置在4*4阵列双向交汇处。16个振子B1~B16或 16个凸起装置B1~B16中的每一个具有对外施力端及驱动端,对外施力端能够振动或从初始位置凸起,驱动端连接触感驱动控制器303的输出端,以使驱动端能够从触感驱动控制器303接收触感反馈阵列302中各触点的力反馈仿真数据,且能够根据触感反馈阵列302中各触点的力反馈仿真数据驱动多个振子或凸起装置动作。图中以振子 B1为例图示了振子B1与无线或有线通信模块304的连接情况,其他的振子的连接方式与其相同,在图中未示出。
本发明的实施方式中,提供的力反馈仿真数据的生成方法,如图1 所示,包括以下步骤:
步骤S101,获取样本模型及样本的图像特征值。
本步骤中,训练样本图形获取样本模型及样本的图像特征值。力反馈仿真数据的生成单元201中配置TensorFlow系统。在TensorFlow系统中构建CNN卷积神经网络,将样本图形(图3所示的图像)加载到输入层,通过多次卷积及池化得到该样本图形的样本模型及样本的图像特征值Z1。上述样本模型中包括权重值。
步骤S102,生成检测阵列的当前图像。
本步骤中,采集当前采集阵列102中各采集点的力值,根据各采集点的力值对应力值与灰度值对应关系获取各采集点的灰度值,根据各采集点的灰度值生成检测阵列的当前图像。
力反馈仿真数据的生成单元201从力采集单元101中读取各压力传感器A1~A16的压力值,将从低到高的压力值对应从浅至深的灰度值,将各压力传感器A1~A16的位置上用灰度图像进行替换。从而得到如图4中所示采集点A2、A5、A9、A6、A12及 A15为黑色点(受力点)的图像,图4中拳头的图像为了便于说明,非当前灰度图像中的图像内容。
步骤S103,获取当前图像的图像特征值。
本步骤中,通过样本模型对当前图像进行卷积神经网络计算,获取当前图像的图像特征值。力反馈仿真数据的生成单元20将从步骤S102中生成如图4的当前图像,输入到本地CNN卷积神经网络的输入层进行卷积及池化运算,获得当前图像的图像特征值Z2。
步骤S104,获取力反馈仿真数据。
本步骤中,力反馈仿真数据的生成单元201将当前图像的图像特征值Z2与样本的图像特征值Z1匹配,若当前图像的图像特征值Z2与样本的图像特征值Z1匹配,则根据样本图形(图3所示的图像)、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列302中各触点的力反馈仿真数据,力反馈仿真数据包括能够驱动各触点动作的驱动信息。即通过图4中所示采集点A2、A5、A9、A6、A12及A15 为黑色点的图像,对应获取在触感反馈阵列302中振子B1~B16或凸起装置为当前的触发点,从而对图3中的图形状进行仿真驱动。
在本发明中,力反馈仿真数据生成方法,首先,设置样本图形及样本图像特征值。之后将采集到的力采集点转化为当前灰度图形,通过CNN卷积神经网络提取当前灰度图形的当前图像特征值。之后,将当前图像特征值匹配上述样本图像特征值,根据匹配结果,可将样本图形确定为当前图形。对样本图形取样力反馈输出装置(触感反馈阵列302)点阵的驱动数据,最终实现对力反馈的驱动。从而对采样对象的力反馈可实现精确力驱动及反馈。从而也大大降低了力反馈信息的远程传输数据量,保证力反馈远程传输的稳定性与实时性。
在本发明一种优选的实施方式中,在步骤S101中还包括:训练多个样本图形获取与其对应的多个样本模型及多个样本的图像特征值Zn。
在步骤S104中还包括:将当前图像的图像特征值Z2匹配多个样本的图像特征值Zn,获取与其对应的样本图形,根据该样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列302中各触点的力反馈仿真数据,力反馈仿真数据包括能够驱动各触点动作的驱动信息。从而可对多种当前图形进行仿真输出。
在本发明一种优选的实施方式中,步骤S102中还包括,根据各采集点的灰度值对当前采集阵列102中各采集点的对应位置进行渲染,获取检测阵列的当前图像。从而生成检测矩阵的当前图像。
为了提高采集及数据合成的精度,在本发明一种优选的实施方式中,在步骤S102中还包括,根据设定的采集间隔时间,采集多个时间点的当前采集阵列102中各采集点的力值,根据各时间点的各采集点的力值对应力值与灰度值对应关系获取各时间点的各采集点的灰度值,根据各时间点的各采集点的灰度值生成各时间点的检测阵列的当前图像。
步骤S103中包括,通过样本模型对各时间点的当前图像进行卷积神经网络计算,获取各时间点的当前图像的图像特征值。
步骤S104中包括,判断各时间点中设定数量的当前图像的图像特征值与样本的图像特征值是否匹配,若是,则根据样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列302中各触点的力反馈仿真数据,若否,则生成不匹配信息。
可在多个采集时间点对各压力传感器A1~A16的压力值进行多次采集,对每个采集时间点的对各压力传感器A1~A16的采集压力值分别根据本发明中的力反馈仿真数据的生成方法进行生成,从而避免识别误差。
为了实现对采集面积大的图像处理,并减少采集振列的采集点数进而提高处理速度,在本发明一种优选的实施方式中,在步骤S101中还包括,从样本图形中提取部分样本图形,如图5所示,训练部分样本图形获取部分样本模型及部分样本的图像特征值。
步骤S102中还包括,根据部分样本图形对应的检测阵列,获取与其对应的部分采集点。
采集当前采集阵列102中各采集点的力值,根据各采集点的力值对应力值与灰度值对应关系获取各采集点的灰度值,根据部分采集点的灰度值生成检测阵列中部分采集点的当前图像,如图6所示。
步骤S103中还包括,通过样本模型对部分采集点的当前图像进行卷积神经网络计算,获取部分当前图像的图像特征值。
步骤S104中还包括,若部分当前图像的图像特征值与部分样本的图像特征值匹配,则根据部分样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列302中各触点的力反馈仿真数据,力反馈仿真数据包括能够驱动各触点动作的驱动信息。
从而对部分特征或者关键特征的判断,即可实现对当前采集对象的识别,在保证准确判断的同时,加快了数据的合成速度。
在本发明一种优选的实施方式中,步骤S104中根据样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布区域获取触感反馈阵列302中各触点的力反馈仿真数据的步骤包括:
步骤S1041,如图4所示,根据各采集点A2、A5、A6、A9、A12、A15的灰度值,匹配灰度值与施力值对应关系,获取各采集点A2、A5、A6、A9、A12、A15的施力值,将各采集点的施力值对应于样本图形的相应位置,获取触感反馈阵列302中各触点 B1~B16的力驱动值。这里指的力驱动值指的是,驱动各触点的振动强度或凸出的幅度,如灰度值从高到低对应振动强度从强到弱,或凸出高度,从高到低。
步骤S1042,如图7所示,从各采集点A2、A5、A6、A9、A12、A15在当前检测阵列中的分布区域中提取特征线E1,获取特征线与样本图形中相应线E2的延伸方向夹角ɑ。从而确定当前触点振列的平面旋转角度。
步骤S1043,如图8所示,根据各采集点在当前检测阵列中的分布区域F,获取分布中心区域,根据分布中心区域确定触感反馈阵列302的中心G触点信息。从而确定当前触电的中心位置及分布区域F。
步骤S1044,根据延伸方向夹角ɑ、中心触点信息G及各采集点在当前检测阵列中的分布区域F获取当前工作触点。
步骤S1045、根据当前工作触点及触感反馈阵列302中各触点的力驱动值合成力反馈仿真数据。
本发明另外方面提供了一种力反馈仿真系统,如图2 所示,包括力采集单元101、力反馈仿真数据的生成单元201及触感反馈阵列单元301。
力采集单元101,配置为采集当前采集阵列102中各采集点的力值。
力反馈仿真数据的生成单元201,配置为:训练样本图形获取样本模型及样本的图像特征值。根据从力采集单元101接收到的各采集点的力值对应力值与灰度值对应关系获取各采集点的灰度值,根据各采集点的灰度值生成检测阵列的当前图像。通过样本模型对当前图像进行卷积神经网络计算,获取当前图像的图像特征值。
若当前图像的图像特征值与样本的图像特征值匹配,则根据样本图形、各采集点的灰度值及各采集点在当前检测阵列中的分布特征获取触感反馈阵列单元301中各触点的力反馈仿真数据。
触感反馈阵列单元301,配置为根据从力反馈仿真数据的生成单元201,接收到的触感反馈阵列单元301中各触点的力反馈仿真数据,驱动各触点振动或突出。
在本发明力反馈仿真系统的另一种实施方式中,力采集单元101包括,采集阵列102、采集控制器103及采集通信模块104。
采集阵列102包括,16个压力传感器A1~A16。压力传感器A1~A16设置在4*4 阵列双向交汇处,多个压力传感器A1~A16中的每一个具有采集端及采集输出端,采集端能够采集当前压力值,采集输出端能够将采集的当前压力值发送到采集输出端。
采集控制器103的输入端与采集输出端连接,采集控制器103接收多个压力传感器A1~A16的当前压力值。采集控制器103的输出端通过采集通信模块104与力反馈仿真数据的生成单元201的输入端连接。
在本发明力反馈仿真系统的另一种实施方式中,触感反馈阵列单元301包括,触感反馈阵列302、触感驱动控制器303及触感通信模块304。
触感驱动控制器303的输入端通过触感通信模块304与力反馈仿真数据的生成单元201的输出端连接,触感驱动控制器303接收力反馈仿真数据的生成单元201发送的触感反馈阵列302中各触点的力反馈仿真数据,触感驱动控制器303的输出端与力触感反馈阵列302的输入端连接。
触感反馈阵列302包括,16个振子或凸起装置,振子或凸起装置设置在4*4阵列双向交汇处,振子或凸起装置中的每一个具有对外施力端及驱动端,对外施力端能够振动或从初始位置凸起,驱动端连接与触感驱动控制器303的输出端,以使驱动端能够从触感驱动控制器303接收触感反馈阵列302中各触点的力反馈仿真数据,且能够根据触感反馈阵列302中各触点的力反馈仿真数据驱动多个振子或凸起装置动作。
在本发明力反馈仿真系统的另一种实施方式中,力反馈仿真数据的生成单元201还配置为:
根据各采集点的灰度值,匹配灰度值与施力值对应关系,获取各采集点的施力值,将各采集点的施力值对应于样本图形的相应位置,获取触感反馈阵列302中各触点的力驱动值。
从各采集点在当前检测阵列中的分布区域中提取特征线,获取特征线与样本图形中相应线的延伸方向夹角。
根据各采集点在当前检测阵列中的分布区域,获取分布中心区域,根据分布中心区域确定触感反馈阵列302的中心触点信息。
根据延伸方向夹角、中心触点信息及各采集点在当前检测阵列中的分布区域获取当前工作触点。
根据当前工作触点及触感反馈阵列302中各触点的力驱动值合成力反馈仿真数据。
以上所描述的系统实施方式仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施方式方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施方式或者实施方式的某些部分的方法。
最后应说明的是:以上实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围。
Claims (10)
1.一种力反馈仿真数据的生成方法,其特征在于,包括以下步骤:
步骤S101,训练样本图形获取样本模型及样本的图像特征值;
步骤S102,采集当前采集阵列中各采集点的力值,根据各采集点的力值对应力值与灰度值对应关系获取所述各采集点的灰度值,根据所述各采集点的灰度值生成当前检测阵列的当前图像;
步骤S103,通过所述样本模型对所述当前图像进行卷积神经网络计算,获取当前图像的图像特征值;
步骤S104,若所述当前图像的图像特征值与所述样本的图像特征值匹配,则根据所述样本图形、所述各采集点的灰度值及所述各采集点在所述当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,所述力反馈仿真数据包括能够驱动所述各触点动作的驱动信息。
2.根据权利要求1所述的生成方法,其特征在于,
所述步骤S101中还包括:训练多个样本图形获取与其对应的多个样本模型及多个样本的图像特征值;
所述步骤S104中还包括:将所述当前图像的图像特征值匹配所述多个样本的图像特征值,获取与其对应的样本图形,根据该样本图形、所述各采集点的灰度值及所述各采集点在所述当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,所述力反馈仿真数据包括能够驱动所述各触点动作的驱动信息。
3.根据权利要求1或2所述的生成方法,其特征在于,所述步骤S102中还包括:
根据所述各采集点的灰度值对所述当前采集阵列中各采集点的对应位置进行渲染,获取所述检测阵列的当前图像。
4.根据权利要求1所述的生成方法,其特征在于,
所述步骤S102中还包括,根据设定的采集间隔时间,采集多个时间点的当前采集阵列中各采集点的力值,根据各时间点的各采集点的力值对应力值与灰度值对应关系获取各时间点的所述各采集点的灰度值,根据各时间点的所述各采集点的灰度值生成各时间点的检测阵列的当前图像;
所述步骤S103中包括,通过所述样本模型对各时间点的所述当前图像进行卷积神经网络计算,获取各时间点的当前图像的图像特征值;
所述步骤S104中包括,判断所述各时间点中设定数量的所述当前图像的图像特征值与所述样本的图像特征值是否匹配,若是,则根据所述样本图形、所述各采集点的灰度值及所述各采集点在所述当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,若否,则生成不匹配信息。
5.根据权利要求1所述的生成方法,其特征在于,
所述步骤S101中还包括,从所述样本图形中提取部分样本图形,训练所述部分样本图形获取部分样本模型及部分样本的图像特征值;
步骤S102,根据所述部分样本图形对应的检测阵列,获取与其对应的部分采集点;
采集当前采集阵列中各采集点的力值,根据各采集点的力值对应力值与灰度值对应关系获取所述各采集点的灰度值,根据所述部分采集点的灰度值生成检测阵列中部分采集点的当前图像;
步骤S103,通过所述样本模型对所述部分采集点的当前图像进行卷积神经网络计算,获取部分当前图像的图像特征值;
步骤S104,若所述部分当前图像的图像特征值与所述部分样本的图像特征值匹配,则根据所述部分样本图形、所述各采集点的灰度值及所述各采集点在所述当前检测阵列中的分布特征获取触感反馈阵列中各触点的力反馈仿真数据,所述力反馈仿真数据包括能够驱动所述各触点动作的驱动信息。
6.根据权利要求1所述的生成方法,其特征在于,所述步骤S104中根据所述样本图形、所述各采集点的灰度值及所述各采集点在所述当前检测阵列中的分布区域获取触感反馈阵列中各触点的力反馈仿真数据的步骤包括:
步骤S1041、根据所述各采集点的灰度值,匹配灰度值与施力值对应关系,获取各采集点的施力值,将所述各采集点的施力值对应于所述样本图形的相应位置,获取触感反馈阵列中各触点的力驱动值;
步骤S1042,从所述各采集点在所述当前检测阵列中的分布区域中提取特征线,获取所述特征线与所述样本图形中相应线的延伸方向夹角;
步骤S1043,根据所述各采集点在所述当前检测阵列中的分布区域,获取分布中心区域,根据所述分布中心区域确定所述触感反馈阵列的中心触点信息;
步骤S1044,根据所述延伸方向夹角、所述中心触点信息及所述各采集点在所述当前检测阵列中的分布区域获取当前工作触点;
步骤S1045、根据所述当前工作触点及所述触感反馈阵列中各触点的力驱动值合成力反馈仿真数据。
7.一种力反馈仿真系统,其特征在于,包括力采集单元、力反馈仿真数据的生成单元及触感反馈阵列单元;
所述力采集单元,配置为采集当前采集阵列中各采集点的力值;
所述力反馈仿真数据的生成单元,配置为:
训练样本图形获取样本模型及样本的图像特征值;
根据从所述力采集单元接收到的各采集点的力值对应力值与灰度值对应关系获取所述各采集点的灰度值,根据所述各采集点的灰度值生成当前检测阵列的当前图像;
通过所述样本模型对所述当前图像进行卷积神经网络计算,获取当前图像的图像特征值;
若所述当前图像的图像特征值与所述样本的图像特征值匹配,则根据所述样本图形、所述各采集点的灰度值及所述各采集点在所述当前检测阵列中的分布特征获取触感反馈阵列单元中各触点的力反馈仿真数据;
所述触感反馈阵列单元,配置为根据从所述力反馈仿真数据的生成单元,接收到的所述触感反馈阵列单元中各触点的力反馈仿真数据,驱动各触点振动或突出。
8.根据权利要求7所述的力反馈仿真系统,其特征在于,
所述力采集单元包括,采集阵列、采集控制器及采集通信模块;
所述采集阵列包括,多个压力传感器,所述压力传感器设置在n*n阵列双向交汇处,所述多个压力传感器中的每一个具有采集端及采集输出端,所述采集端能够采集当前压力值,所述采集输出端能够将采集的当前压力值发送到所述采集输出端;
所述采集控制器的输入端与所述采集输出端连接,所述采集控制器接收所述多个压力传感器的当前压力值;所述采集控制器的输出端通过所述采集通信模块与所述力反馈仿真数据的生成单元的输入端连接。
9.根据权利要求7或8所述的力反馈仿真系统,其特征在于,
所述触感反馈阵列单元包括,触感反馈阵列、触感驱动控制器及触感通信模块;
所述触感驱动控制器的输入端通过所述触感通信模块与所述力反馈仿真数据的生成单元的输出端连接,所述触感驱动控制器接收所述力反馈仿真数据的生成单元发送的触感反馈阵列中各触点的力反馈仿真数据,所述触感驱动控制器的输出端与力触感反馈阵列的输入端连接;
所述触感反馈阵列包括,多个振子或凸起装置,所述振子或凸起装置设置在m*m阵列双向交汇处,所述振子或凸起装置中的每一个具有对外施力端及驱动端,所述对外施力端能够振动或从初始位置凸起,所述驱动端连接所述触感驱动控制器的输出端,以使所述驱动端能够从所述触感驱动控制器接收触感反馈阵列中各触点的力反馈仿真数据,且能够根据所述触感反馈阵列中各触点的力反馈仿真数据驱动所述多个振子或凸起装置动作。
10.根据权利要求7所述的力反馈仿真系统,其特征在于,所述力反馈仿真数据的生成单元还配置为:
根据所述各采集点的灰度值,匹配灰度值与施力值对应关系,获取各采集点的施力值,将所述各采集点的施力值对应于所述样本图形的相应位置,获取触感反馈阵列中各触点的力驱动值;
从所述各采集点在所述当前检测阵列中的分布区域中提取特征线,获取所述特征线与所述样本图形中相应线的延伸方向夹角;
根据所述各采集点在所述当前检测阵列中的分布区域,获取分布中心区域,根据所述分布中心区域确定所述触感反馈阵列的中心触点信息;
根据所述延伸方向夹角、所述中心触点信息及所述各采集点在所述当前检测阵列中的分布区域获取当前工作触点;
根据所述当前工作触点及所述触感反馈阵列中各触点的力驱动值合成力反馈仿真数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474557.1A CN110275615B (zh) | 2019-06-03 | 2019-06-03 | 一种力反馈仿真数据的生成方法及一种力反馈仿真系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474557.1A CN110275615B (zh) | 2019-06-03 | 2019-06-03 | 一种力反馈仿真数据的生成方法及一种力反馈仿真系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110275615A CN110275615A (zh) | 2019-09-24 |
CN110275615B true CN110275615B (zh) | 2023-03-10 |
Family
ID=67961880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910474557.1A Active CN110275615B (zh) | 2019-06-03 | 2019-06-03 | 一种力反馈仿真数据的生成方法及一种力反馈仿真系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110275615B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110764619B (zh) * | 2019-10-24 | 2021-08-27 | 吉林大学 | 基于特征相似度的触觉再现轮廓渲染真实感定量评估方法 |
CN111309145B (zh) * | 2020-02-05 | 2021-03-23 | 吉林大学 | 一种基于生理物理建模的静电力触觉渲染方法 |
CN113536599B (zh) * | 2021-08-15 | 2022-04-29 | 吉林大学 | 一种具有人体生物力学差异性特征的裸指力触觉信号生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104959891A (zh) * | 2015-05-29 | 2015-10-07 | 福建省天大精诺信息有限公司 | 一种基于图像处理与力反馈的木雕精修方法及装置 |
CN106485686A (zh) * | 2015-08-17 | 2017-03-08 | 西安电子科技大学 | 一种基于万有引力的谱聚类图像分割算法 |
CN107145225A (zh) * | 2017-04-13 | 2017-09-08 | 浙江大学 | 一种面向移动终端的摩擦力触觉再现系统及再现方法 |
CN107632701A (zh) * | 2017-08-03 | 2018-01-26 | 东南大学 | 一种人机交互虚拟训练力反馈参数的控制方法 |
WO2019009455A1 (ko) * | 2017-07-07 | 2019-01-10 | ㈜리얼감 | 포스 피드백 장치 및 방법 |
-
2019
- 2019-06-03 CN CN201910474557.1A patent/CN110275615B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104959891A (zh) * | 2015-05-29 | 2015-10-07 | 福建省天大精诺信息有限公司 | 一种基于图像处理与力反馈的木雕精修方法及装置 |
CN106485686A (zh) * | 2015-08-17 | 2017-03-08 | 西安电子科技大学 | 一种基于万有引力的谱聚类图像分割算法 |
CN107145225A (zh) * | 2017-04-13 | 2017-09-08 | 浙江大学 | 一种面向移动终端的摩擦力触觉再现系统及再现方法 |
WO2019009455A1 (ko) * | 2017-07-07 | 2019-01-10 | ㈜리얼감 | 포스 피드백 장치 및 방법 |
CN107632701A (zh) * | 2017-08-03 | 2018-01-26 | 东南大学 | 一种人机交互虚拟训练力反馈参数的控制方法 |
Non-Patent Citations (1)
Title |
---|
"基于图像特征的力反馈渲染改进算法";徐少平 等;《计算机工程》;20120705;第38卷(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110275615A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110275615B (zh) | 一种力反馈仿真数据的生成方法及一种力反馈仿真系统 | |
CN111340864A (zh) | 基于单目估计的三维场景融合方法及装置 | |
CN111208783B (zh) | 一种动作模仿方法、装置、终端及计算机存储介质 | |
CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
JP6766839B2 (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
CN110399908B (zh) | 基于事件型相机的分类方法和装置、存储介质、电子装置 | |
CN114332639B (zh) | 一种非线性残差自注意力机制的卫星姿态视觉测量方法 | |
CN109859216B (zh) | 基于深度学习的测距方法、装置、设备及存储介质 | |
CN110298912B (zh) | 三维场景的复现方法、系统、电子装置及存储介质 | |
CN109035666B (zh) | 一种火烟检测方法、装置及终端设备 | |
CN112241001B (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
CN115797184B (zh) | 一种地表水体超分辨率提取方法 | |
CN116733688A (zh) | 一种风力发电机组的运行监测方法、装置、设备及介质 | |
CN111896119A (zh) | 红外测温方法及电子设备 | |
JP6827400B2 (ja) | 制御システム | |
CN115512270A (zh) | 叶片数量检测方法、装置、电子设备及存储介质 | |
CN112711873B (zh) | 基于兰姆波和神经网络进行损伤定位的方法及系统、介质 | |
CN115035313A (zh) | 黑颈鹤识别方法、装置、设备及存储介质 | |
CN116521009A (zh) | 书写高度识别方法、装置、存储介质以及电子设备 | |
CN116152907A (zh) | 手势重建方法、装置以及电子设备 | |
CN110837751B (zh) | 基于rgbd深度摄像头的人体运动捕捉与步态分析方法 | |
CN113618736A (zh) | 一种机器人基于多维感知构建执行决策的方法、系统、设备及存储介质 | |
CN112579670A (zh) | 一种精细油藏分布的勘察数据分析方法及系统 | |
CN116229318B (zh) | 基于分向数据的信息解析系统 | |
CN114611549B (zh) | 时域冲击响应特征参数提取方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |