CN113396380B - 笔状态检测电路、系统及方法 - Google Patents

笔状态检测电路、系统及方法 Download PDF

Info

Publication number
CN113396380B
CN113396380B CN202080011509.XA CN202080011509A CN113396380B CN 113396380 B CN113396380 B CN 113396380B CN 202080011509 A CN202080011509 A CN 202080011509A CN 113396380 B CN113396380 B CN 113396380B
Authority
CN
China
Prior art keywords
pen
signal distribution
state detection
electrode
feature quantity
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
Application number
CN202080011509.XA
Other languages
English (en)
Other versions
CN113396380A (zh
Inventor
前山光一
原英之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wacom Co Ltd
Original Assignee
Wacom Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wacom Co Ltd filed Critical Wacom Co Ltd
Publication of CN113396380A publication Critical patent/CN113396380A/zh
Application granted granted Critical
Publication of CN113396380B publication Critical patent/CN113396380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
    • G06F3/0354—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of 2D relative movements between the device, or an operating part thereof, and a plane or surface, e.g. 2D mice, trackballs, pens or pucks
    • G06F3/03545—Pens or stylus
    • 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
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/0416—Control or interface arrangements specially adapted for digitisers
    • G06F3/04162—Control or interface arrangements specially adapted for digitisers for exchanging data with external devices, e.g. smart pens, via the digitiser sensing hardware
    • 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
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/0416—Control or interface arrangements specially adapted for digitisers
    • G06F3/0418—Control or interface arrangements specially adapted for digitisers for error correction or compensation, e.g. based on parallax, calibration or alignment
    • 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
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/044—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means
    • G06F3/0442—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means using active external devices, e.g. active pens, for transmitting changes in electrical potential to be received by the digitiser
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/041—Indexing scheme relating to G06F3/041 - G06F3/045
    • G06F2203/04106—Multi-sensing digitiser, i.e. digitiser using at least two different sensing technologies simultaneously or alternatively, e.g. for detecting pen and finger, for saving power or for improving position detection
    • 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
    • G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
    • G06F3/041—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means
    • G06F3/044—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means
    • G06F3/0446—Digitisers, e.g. for touch screens or touch pads, characterised by the transducing means by capacitive means using a grid-like structure of electrodes in at least two directions, e.g. using row and column electrodes

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Position Input By Displaying (AREA)

Abstract

本发明提供一种在具有至少一个电极的电子笔中能够提升笔状态的估计精度的笔状态检测电路、系统及方法。笔状态检测电路(20)从触摸传感器(18)获取第一信号分布，该第一信号分布表示与第一电极(30)的接近相伴的静电电容的变化，并使用进行了机器学习的估计器(50)，由与第一信号分布相关的第一特征量来估计电子笔(14)的指示位置或倾斜角度。第一特征量包括与第一局部分布相关的第一局部特征量，该第一局部分布对应于比构成第一信号分布的传感器电极(18x、18y)的配置数量少的数量的传感器电极(18x、18y)。

Description

笔状态检测电路、系统及方法
技术领域
本发明涉及一种笔状态检测电路、系统及方法。
背景技术
专利文献1公开一种电子设备，其分别检测在触摸传感器的检测面上用户的手接触的第一位置及电子笔指示的第二位置，使用第一位置及第二位置的坐标值来估计电子笔的倾斜方向，并根据该倾斜方向来校正电子笔的指示位置。
现有技术文献
专利文献
专利文献1：日本特开2015-087785号公报
发明内容
发明要解决的课题
不过，通过使用具有两个电极的电子笔，即使在用户的手未接触检测面的情况下也能够估计电子笔的位置、姿势。但是，由于两个电极在物理上分离设置，在电子笔的使用中，至少一个电极始终未接触到检测面。在该情况下，电子笔的倾斜角度与检测位置之间的关系可能根据电极的三维形状而发生变化，因此有时由于电子笔的位置、姿势而使估计精度产生偏差。
本发明的目的在于，提供一种能够提升具有至少一个电极的电子笔的笔状态的估计精度的笔状态检测电路、系统及方法。
用于解决课题的方案
第一本发明中的笔状态检测电路，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有第一电极的电子笔的状态进行检测，其中，执行如下步骤：获取步骤，从所述触摸传感器获取第一信号分布，所述第一信号分布表示与所述第一电极的接近相伴的静电电容的变化；以及估计步骤，使用进行了机器学习的估计器，由与所述第一信号分布相关的第一特征量来估计所述电子笔的指示位置或倾斜角度，所述第一特征量包括与第一局部分布相关的第一局部特征量，所述第一局部分布对应于比构成所述第一信号分布的传感器电极的配置数量少的数量的传感器电极。
第二本发明中的笔状态检测系统，具备：电子设备，包括上述笔状态检测电路而构成；电子笔，与所述电子设备一起使用；以及服务器装置，构成为能够与所述电子设备进行双向通信，且能够存储构建于所述笔状态检测电路的估计器的学习参数组，所述电子设备在检测到所述电子笔的情况下，向所述服务器装置请求与该电子笔对应的学习参数组的发送。
第三本发明中的笔状态检测方法，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有电极的电子笔的状态进行检测，其中，使一个或多个处理器执行如下步骤：获取步骤，从所述触摸传感器获取信号分布，所述信号分布表示与所述电极的接近相伴的静电电容的变化；以及估计步骤，使用进行了机器学习的估计器，由与所述信号分布相关的特征量来估计所述电子笔的指示位置或倾斜角度，所述特征量包括与局部分布相关的局部特征量，所述局部分布对应于比构成所述信号分布的传感器电极的配置数量少的数量的传感器电极。
第四本发明中的笔状态检测电路，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有电极的电子笔的状态进行检测，其中，执行如下步骤：获取步骤，从所述触摸传感器获取信号分布，所述信号分布表示与所述电极的接近相伴的静电电容的变化；以及估计步骤，根据所述电极在所述触摸传感器的检测面上的投影位置而依照不同的运算规则，由与所述信号分布相关的特征量来估计所述电子笔的指示位置或倾斜角度。
第五本发明中的笔状态检测系统，具备：电子设备，包括上述笔状态检测电路而构成；电子笔，与所述电子设备一起使用；以及服务器装置，构成为能够与所述电子设备进行双向通信，且能够存储构建于所述笔状态检测电路的估计器的学习参数组，所述电子设备在检测到所述电子笔的情况下，向所述服务器装置请求与该电子笔对应的学习参数组的发送。
第六本发明中的笔状态检测方法，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有电极的电子笔的状态进行检测，其中，使一个或多个处理器执行如下步骤：获取步骤，从所述触摸传感器获取信号分布，所述信号分布表示与所述电极的接近相伴的静电电容的变化；以及估计步骤，根据所述电极在所述触摸传感器的检测面上的投影位置而依照不同的运算规则，由与所述信号分布相关的特征量来估计所述电子笔的指示位置或倾斜角度。
发明效果
根据第一～第三本发明，通过使用进行了机器学习的估计器，能够通过机器学习来提取潜在性的检测模式，在进行指示位置或倾斜角度的估计时易于适当地反映该检测模式的倾向。由此，能够以高精度估计具有至少一个电极的电子笔的笔状态。另外，通过使用与对应于比构成信号分布的传感器电极的配置数量少的数量的传感器电极的局部分布相关的局部特征量，能够降低输入局部特征量的估计器的处理负担。
根据第四～第六本发明，通过根据电子笔所具有的电极的投影位置来适用不同的运算规则，能够执行适于投影位置的估计，抑制由电子笔与触摸传感器之间的相对位置关系引起的笔状态的估计精度的降低。由此，能够以高精度估计具有至少一个电极的电子笔的笔状态。
附图说明
图1是本发明中的各实施方式共用的输入系统的整体结构图。
图2是局部地示出图1的电子笔的示意图。
图3是表示在电子笔的接触状态时由触摸传感器检测的信号分布的一例的图。
图4是表示与指示位置相关的估计误差的倾向的图。
图5是表示第一实施方式中的笔检测功能的框图。
图6是图5所示的笔检测功能所执行的流程图。
图7是表示从触摸传感器获取的信号分布的一例的图。
图8是表示局部特征量的计算方法的一例的图。
图9是表示图5的笔检测功能所包括的估计器的结构的图。
图10是表示图9中的估计器的安装例的图。
图11中，图11(a)是表示以往例中的指示位置的估计精度的图。图11(b)是表示实施例中的指示位置的估计精度的图。
图12中，图12(a)是表示第一实施方式的第一变形例中的笔检测功能的框图。图12(b)是表示图12(a)的笔检测功能所包括的估计器的结构的图。
图13中，图13(a)是表示第一实施方式的第二变形例中的笔检测功能的框图。图13(b)是表示图13(a)的笔检测功能所包括的估计器的结构的图。
图14中，图14(a)是表示第一实施方式的第三变形例中的笔检测功能的框图。图14(b)是表示图14(a)的笔检测功能所包括的估计器的结构的图。
图15是表示第一实施方式的第四变形例中的笔检测功能所包括的估计器的结构的图。
图16是表示第二实施方式中的笔检测功能的框图。
图17是图16所示的笔检测功能所执行的流程图。
图18是表示触摸传感器具有的传感器区域的定义的一例的图。
图19中，图19(a)是表示电子笔具有的端头电极(图2)的投影位置处于普通区域内的情况下的局部特征量的图。图19(b)是表示端头电极的投影位置处于周缘区域内的情况下的局部特征量的图。
图20是表示第二实施方式的变形例中的笔检测功能的框图。
图21中，图21(a)是表示偏移处理前的局部特征量的图。图21(b)是表示偏移处理后的局部特征量的图。
图22中，图22(a)是表示第三实施方式中的笔检测功能的框图。图22(b)是表示与图22(a)不同的一例的框图。
图23是图22所示的笔检测功能所执行的流程图。
图24是表示图22的笔检测功能所包括的估计器的结构的图。
图25是表示执行自编码处理前的局部特征量的偏差的图，其中，图25(a)是表示由各种信号分布而计算出的特征量的倾向的图，图25(b)表示由图25(a)中的特征量的总体而计算出的偏差。
图26是表示执行自编码处理后的局部特征量的偏差的图，其中，图26(a)是表示对图25(a)中的特征量分别实施自编码处理的结果的图，图26(b)表示由图26(a)中的特征量的总体而计算出的偏差。
图27中，图27(a)是表示参考例中的指示位置的估计精度的图。图27(b)是表示实施例中的指示位置的估计精度的图。
图28是第四实施方式中的作为笔状态检测系统的输入系统的整体结构图。
图29是与图28所示的控制部的学习处理相关的功能框图。
图30是表示学习参数组的设定方法的第一例的图。
图31是表示学习参数组的设定方法的第二例的图。
具体实施方式
参照附图对本发明中的笔状态检测电路、系统及方法进行说明。为了使说明的理解变得容易，在各图中尽可能对相同的构成要素及步骤标注相同的标号，并且有时省略重复的说明。此外，本发明不限于以下的实施方式及变形例，当然能够在不脱离本发明的主旨的范围内自由地变更。或者，也可以在技术上不产生矛盾的范围内任意地组合各种结构。
[各实施方式共用的结构]
＜输入系统10的整体结构＞
图1是本发明的各实施方式共用的输入系统10的整体结构图。输入系统10基本上由具有触摸屏显示器的电子设备12和作为笔型指示设备的电子笔14(或者也称为“触控笔”)构成。
电子设备12例如由手写板型终端、智能手机、个人计算机构成。用户以单手握持电子笔14，并使笔尖在压靠于电子设备12的触摸面的同时进行移动，从而能够在电子设备12上写上图画、文字。另外，用户能够通过以自身的手指16触摸到触摸面经由显示中的用户控制来进行期望的操作。
电子设备12包括触摸传感器18、触摸IC(Integrated Circuit，集成电路)20和主处理器22而构成。本图所示的x方向、y方向相当于在触摸传感器18所构成的检测面上定义的正交坐标系(以下，传感器坐标系)的X轴、Y轴。
触摸传感器18是由配置在未图示的显示屏上的多个电极构成的面状的传感器。触摸传感器18包括用于检测X坐标(x方向的位置)的多个线电极18x和用于检测Y坐标(y方向的位置)的多个线电极18y。多个线电极18x沿y方向延伸设置，且沿x方向等间隔地配置。多个线电极18y沿x方向延伸设置，且沿y方向等间隔地配置。以下，有时将线电极18x(或线电极18y)的配置间隔称为“间距”。此外，触摸传感器18也可以是将块状的电极配置成二维格子状的自电容方式的传感器，以代替上述互电容方式的传感器。
触摸IC20是以能够执行固件24的方式构成的集成电路，且分别连接于构成触摸传感器18的多个线电极18x、18y。该固件24以能够实现对用户的手指16等的触摸进行检测的触摸检测功能26和对电子笔14的状态进行检测的笔检测功能28的方式构成。
触摸检测功能26包括例如触摸传感器18的扫描功能、触摸传感器18上的热图(检测电平的二维分布)的制成功能、热图上的区域分类功能(例如，手指16、手掌的分类)。笔检测功能28包括例如触摸传感器18的扫描功能(全局扫描或本地扫描)、下行链路信号的接收和分析功能、电子笔14的状态(例如，位置、姿势、笔压)的估计功能、包含针对电子笔14的指令在内的上行链路信号的生成和发送功能。
主处理器22是由CPU(Central Processing Unit，中央处理单元)或GPU(GraphicsProcessing Unit，图形处理单元)构成的处理器。主处理器22通过从未图示的存储器读取并执行程序，来进行例如使用来自触摸IC20的数据来生成数字墨水的处理、用于使该数字墨水所示的绘制内容显示的可视化处理等。
＜笔状态的估计方法＞
图2是局部地示出图1的电子笔14的示意图。在电子笔14的尖端同轴地设置有大致圆锥形的端头电极30和无底圆锥梯形的上部电极32。端头电极30及上部电极32各自是用于输出振荡电路34所生成的信号(所谓下行链路信号)的电极。通过振荡电路34改变振荡频率或者以分时方式切换发送目的地，电子笔14能够经由端头电极30及上部电极32来输出两种下行链路信号。
电子设备12的触摸IC20(图1)从触摸传感器18获取表示与端头电极30的接近相伴的静电电容(更详细地说，互电容或自电容)的变化的信号分布(以下，称为“第一信号分布”)。第一信号分布典型性地具有在位置Q1上有一个峰值的形状。在此，位置Q1相当于将端头电极30的顶部(位置P1)投影在传感器平面上的位置。
同样地，电子设备12的触摸IC20(图1)从触摸传感器18获取表示与上部电极32的接近相伴的静电电容的变化的信号分布(以下，称为“第二信号分布”)。第二信号分布典型性地具有在位置Q2上有一个或两个峰值的形状。在此，位置Q2相当于将上部电极32的肩部(位置P2)投影在传感器平面上的位置。另外，后述的位置Q3相当于将上部电极32的上底面的中心(位置P3)投影在传感器平面上的位置。
图3是表示电子笔14的接触状态时由触摸传感器18检测的信号分布的一例的图。更详细地说，图3(a)表示第一信号分布，并且图3(b)表示第二信号分布。图表的横轴表示以电子笔14的指示位置为基准的相对位置(单位：mm)，并且图表的纵轴表示归一化为[0,1]的信号值(单位：无)。该信号值以在电子笔14接近时为“正”的方式定义正负标号。第一及第二信号分布各自根据电子笔14的倾斜角度而使形状变化。在本图中，重叠表记使倾斜角度各自变化而获得的三条曲线。
如图3(a)所示，第一信号分布与倾斜角度的大小无关而具有大致类似的形状。这是由于，使用电子笔14的期间内通常端头电极30的顶部处于最接近传感器平面的位置，位置Q1与位置P1大致一致。另一方面，如图3(b)所示，第二信号分布根据倾斜角度的变化而使峰值的位置或个数较大地变化。这是由于，使用电子笔14的期间内通常上部电极32的肩部的任一个部位处于最接近传感器平面的位置，位置Q1、Q2之间的距离根据倾斜角度而发生变化。
能够使用该位置Q1、Q2的坐标来估计电子笔14的位置、姿势(以下，也称为笔状态)。例如，指示位置相当于图2所示的位置Q1。另外，倾斜角度相当于传感器平面与电子笔14的轴所成的角θ。即，在相对于传感器平面呈水平的状态下为θ＝0°，在相对于传感器平面呈垂直的状态下为θ＝90°。此外，表示电子笔14的倾斜状态的物理量除了上述角度之外例如还可以使用方位。
图4是表示与指示位置相关的估计误差的倾向的图。图表的横轴表示指示位置的实际值(单位：mm)，并且图表的纵轴表示指示位置的估计值(单位：mm)。在此，将线电极18x的宽度方向的中点定义为X＝0(mm)。此外，在估计误差为0的情况下获得穿过原点O的斜率1的直线。
例如，由于信号分布是等间隔(间距ΔX)地采样的信号值的集合，为了更准确地估计信号分布的峰值(即，指示位置)而进行插补运算。但是，根据插补函数的种类而产生拟合误差，以间距为单位产生周期性的“插补近似误差”。
另外，在以上部电极32的位置P3(参照图2)为基准来估计倾斜角度的情况下，在θ＝0°时位置Q2与位置Q3一致，不产生由倾斜角度引起的估计误差。但是，在θ＞0°的情况下，由于位置Q2、Q3的偏差，倾斜角度被估算得较小。其结果是，所获得的估计值向正方向(即，电子笔14的倾斜方向)偏移，产生所谓的“偏移误差”。
这样，在使用位置及形状彼此不同的两个电极来估计笔状态时，有时由于上述插补近似误差及偏移误差而使指示位置或倾斜角度的估计精度产生偏差。因此，提出用于同时减少这两种误差而使笔状态的估计精度提升的方法。
[第一实施方式]
以下，参照图5～图11对第一实施方式中的触摸IC20的笔检测功能28A进行说明。
＜结构及动作＞
图5是表示第一实施方式中的笔检测功能28A的框图。该笔检测功能28A包括信号获取部40、特征量计算部42、角度估计部44和位置估计部46而构成。接着，参照图6的流程图来对与该笔检测功能28A的执行相伴的触摸IC20的动作进行说明。
在图6的步骤S1中，信号获取部40通过每个线电极18x、18y的扫描动作来从触摸传感器18分别获取第一信号分布及第二信号分布。该信号分布可以是沿着X轴或Y轴的一维信号分布，也可以是X-Y轴平面上的二维信号分布。在此，举出沿着X轴的一维信号分布为例来进行说明。
图7是表示从触摸传感器18获取的信号分布的一例的图。图表的横轴表示线编号(即，线电极18x的识别编号)，并且图表的纵轴表示信号值。在此，设想两根电子笔14同时地检测的状況。在该情况下，信号分布产生以电子笔14的指示位置为中心的宽度较窄的两条峰值。另一方面，在除去两条峰值之外的剩余的位置上信号值为0或微小值。以下，有时将信号分布的整体称为“整体分布”，并将静电电容的变化相对较大的局部性的信号分布称为“局部分布”。该“相对较大”可以是指与局部分布以外的位置相比变化量较大，也可以是指与预定阈值相比变化量较大。
或者，根据另外的观点来说，“整体分布”是对应于配置的全部线电极18x的信号分布，“局部分布”是对应于配置的线电极18x的一部分的信号分布。构成局部分布的电极数量n与构成整体分布的电极数量N的比例(n/N)例如优选为1/2以下，更优选为1/4以下，进一步优选为1/8以下。
换句话说，构成局部分布的线电极18x、18y的数量比构成整体分布的线电极18x、18y的配置数量少。在此，“少”是指，在例如传感器电极以垂直N行×水平M列(例如50行×70列)构成的情况下，[1]在确定垂直方向的坐标时，根据比N少的数量、优选为比N/2少的数量、更优选为比10少的数量的电极的电流或者电压的电平值，
[2]在确定水平方向的坐标时，根据比M少的数量、优选为比M/2少的数量、更优选为比10少的数量的电极的电流或者电压的电平值，这样的情况。该数量优选垂直方向和水平方向均为相同数量。由此，例如，在上述例子的50x70的传感器电极的情况下，与对交叉点的状态数(3500的输入数)的神经网络模型进行学习相比，例如能够以10+10的学习获取二维坐标，能够将利用神经网络模型运算的乘法运算次数等计算量的阶数从指数(平方)控制到线形(10+10)。
此外，在传感器电极由垂直N个、水平M个的块电极构成的情况下，在垂直方提升符合比N个少的数量、优选为比N/2少的数量、更优选为比10少的数量的电极的电流或者电压的电平值。
在步骤S2中，特征量计算部42使用在步骤S1中获取的第一信号分布来计算表示该第一信号分布的形状的特征的特征量(以下，称为“第一特征量”)。同样地，特征量计算部42使用在步骤S1中获取的第二信号分布来计算表示该第二信号分布的形状的特征的特征量(以下，称为“第二特征量”)。
如图8(a)所示，从线编号较小一侧起依次获得Sn-2＝0.15/Sn-1＝0.40/Sn＝0.80/Sn+1＝0.30/Sn+2＝0.10的信号分布。此外，其他线编号下的信号值均为0或能够无视的程度微小的值。例如，依据下面的式(1)、(2)来分别计算{Gi}及{Fi}。
Gi＝(Si-Si-2)+(Si-1-Si-3)···(1)
Fi＝|Gi|/max{|Gi|}···(2)
其结果是，分别计算出图8(b)所示的“带符号斜率”{Gi}、图8(c)所示的特征量{Fi}。如根据式(2)理解地，该特征量{Fi}相当于以[0,1]的范围归一化的“无符号斜率”。
此外，特征量计算部42也可以在上述信号分布的斜率或该斜率的绝对值之外还计算对信号分布的形状赋予特征的各种特征量。另外，特征量计算部42可以使用与第一特征量的情况相同的计算方法来计算第二特征量，也可以使用与第一特征量的情况不同的计算方法来计算第二特征量。另外，该特征量也可以是信号分布本身。另外，特征量计算部42对于一根线电极18x、18y计算一个特征量，但线电极18x、18y的根数与特征量的个数之间的关系不限于本例。即，除了一对一的关系之外也可以是一对多、多对一或者多对多的关系。
在此，特征量计算部42为了减少后述的估计所使用的特征量的个数，仅使用上述局部分布来计算特征量(以下，称为“局部特征量”)。具体地说，特征量计算部42可以在从整体分布中提取出局部分布之后使用该局部分布来计算局部特征量，也可以在整体分布范围计算特征量之后提取与符合的局部分布相应的局部特征量。该局部特征量也可以与线电极18x、18y的配置数量无关而以恒定的数据数量(例如N个)构成。通过使估计所使用的数据数量恒定，能够进行不依赖于触摸传感器18的结构的一样的估计。
在使用上述局部特征量的情况下，第一特征量包括第一局部特征量及基准位置，并且第二特征量包括第二局部特征量。“第一局部特征量”是指仅与第一信号分布所包括的局部分布(即，第一局部分布)相关的局部特征量。“第二局部特征量”是指仅与第二信号分布所包括的局部分布(即，第二局部分布)相关的局部特征量。“基准位置”是指传感器坐标系中的第一局部分布的基准点的位置，例如可以是第一局部分布的上升沿位置、下降沿位置、峰值位置或这些位置的附近位置中的某一个。
在图6的步骤S3中，角度估计部44由在步骤S2中计算出的第二特征量来估计电子笔14的倾斜角度。然后，特征量计算部42由第一特征量及倾斜角度来估计电子笔14的指示位置。该笔状态的估计使用进行了机器学习的估计器50来进行。该机器学习例如可以是使用通过实际的测定或计算机模拟来获得的教师数据的“有教师学习”。
图9是表示图5的笔检测功能28A所包括的估计器50的结构的图。该估计器50串联地依次连接前段运算器52、后段运算器54及加法器56而构成。前段运算器52对应于图5所示的角度估计部44，后段运算器54及加法器56对应于图5所示的位置估计部46。
此外，图中的圆圈记号表示相当于神经网络模型的神经元的运算单元。“T”运算单元存储有与端头电极30对应的“第一局部特征量”的各值。“U”运算单元存储有与上部电极32对应的“第二局部特征量”的各值。“A”运算单元存储有“倾斜角度”。“P”运算单元存储有“相对位置”。
前段运算器52例如是由输入层52i、中间层52m及输出层52o构成的阶层式神经网络运算器。输入层52i由用于输入第二局部特征量的各值的N个运算单元构成。中间层52m由M个(在此，M＝N)运算单元构成。输出层52o由用于输出倾斜角度的1个运算单元构成。
后段运算器54例如是由输入层54i、中间层54m及输出层54o构成的阶层式神经网络运算器。输入层54i由用于输入第一局部特征量的各值及倾斜角度的(N+1)个运算单元构成。中间层54m例如由M个(在此，M＝N)的运算单元构成。输出层54o由用于输出基准位置与指示位置之间的相对位置的1个运算单元构成。
加法器56通过在第一特征量所包括的基准位置加上来自后段运算器54的相对位置来输出电子笔14的指示位置。该指示位置是相当于第一局部分布的峰值中心的位置，具有比线电极18x、18y的间距高的分辨率。
图10是表示图9中的估计器50的安装例的图。该估计器50包括共用运算器60、能够同步地切换的四个开关61、62、63、64和保持电路65而构成。共用运算器60是输入(N+1)个变量且输出1个变量的神经网络运算器，且构成为能够作为图9的前段运算器52或后段运算器54共用地进行利用。
开关61根据开关信号的输入来切换并输出第一学习参数组(即，位置运算用的学习参数组)和第二学习参数组(即，角度运算用的学习参数组)中的任一方。在此，由于开关61的输出侧连接于共用运算器60，学习参数组选择性地供给到共用运算器60。
共用运算器60的运算规则通过构成学习参数组的学习参数的值来确定。学习参数组例如由包括描述运算单元的激活函数的系数、运算单元之间的耦合强度在内的“可变参数”和用于对学习模型的架构进行特定的“固定参数”(所谓的超参数)构成。作为超参数的例子，可以举出构成各层的运算单元的个数、中间层的数量。在该安装例中架构固定，因此学习参数组仅由可变参数构成。
开关62根据开关信号的输入来输出第一局部特征量(即，位置运算用的输入值)和第二局部特征量(即，角度运算用的输入值)中的任一方。由于开关62的输出侧连接于共用运算器60的输入侧，局部特征量选择性地供给到共用运算器60。
开关63根据开关信号的输入来切换并输出保持电路65内的保持值(在此，倾斜角度的估计值)和虚拟信息(例如，零值)中的任一方。由于开关63的输出侧连接于共用运算器60的输入侧，仅限于执行位置运算时倾斜角度供给到共用运算器60。
开关64根据开关信号的输入来切换并输出共用运算器60的输出值(在此，指示位置的估计值)和虚拟信息(例如，零值)中的任一方。由此，仅限于执行位置运算时从开关64输出指示位置。
保持电路65暂时地保持共用运算器60的输出值。在保持电路65内交替地保持倾斜角度和指示位置，但实际上仅在执行位置运算时读取保持值。
这样，使用图9及图10的估计器50来估计电子笔14的指示位置(步骤S3)。此外，在上述例子中，使用神经网络模型来构建估计器50，但机器学习的方法不限于此。例如，也可以采用包括逻辑回归模型、支持向量机(SVM)、决策树、随机森林、提升法的各种方法。
在图6的步骤S4中，笔检测功能28A将包括在步骤S3中估计的指示位置及倾斜角度在内的数据供给到主处理器22。例如，笔检测功能28A也可以将步骤S1～S3重复两次而分别估计X轴坐标值、Y轴坐标值，并向主处理器22供给指示位置的坐标值(X，Y)。或者，笔检测功能28A也可以通过步骤S1～S3来同时估计指示位置的坐标值(X，Y)，并向主处理器22供给坐标值(X，Y)。
如上所述，结束图6的流程图。触摸IC20通过以预定时间间隔逐步执行该流程图而在追随电子笔14的移动的同时检测指示位置。
＜估计精度的比较＞
接着，参照图11对进行了机器学习的估计器50的估计精度的提升效果进行说明。图11(a)是表示“以往例”中的指示位置的估计精度的图，图11(b)是表示“实施例”中的指示位置的估计精度的图。在此，分别计算设定成五种倾斜角度的情况下的插补近似误差(上侧条)及偏移误差(下侧条)的大小。此外，作为该比较对象(以往例)，使用如下方法：针对信号分布，使用预定插补函数来计算位置Q1、Q2。
如图11(a)所示，在以往例中，不取决于倾斜角度而产生大致恒定的插补近似误差，并且随着倾斜角度增加而使偏移误差变大。另一方面，如图11(b)所示，在实施例中，插补近似误差与以往例的情况相比减少为一半以下，并且偏移误差不取决于倾斜角度而变得微小。
＜第一实施方式的总结＞
如上所述，该触摸IC20是基于由将多个传感器电极(线电极18x、18y)呈面状地配置而成的静电电容方式的触摸传感器18检测到的信号分布来对具有第一电极的电子笔14的状态进行检测的笔状态检测电路。而且，触摸IC20(一个或多个处理器)从触摸传感器18获取表示与第一电极的接近相伴的静电电容的变化的第一信号分布(图6的S1)，使用进行了机器学习的估计器50，由与第一信号分布相关的第一特征量来估计电子笔14的指示位置或倾斜角度(S3)。而且，第一特征量包括第一局部特征量，该第一局部特征量与对应于比构成第一信号分布的线电极18x、18y的配置数量少的线电极18x、18y的第一局部分布相关。
或者，在电子笔14具有第一电极及第二电极的情况下，触摸IC20(一个或多个处理器)从触摸传感器18分别获取表示与第一电极的接近相伴的静电电容的变化的第一信号分布及表示与第二电极的接近相伴的静电电容的变化的第二信号分布(图6的S1)，使用进行了机器学习的估计器50，由与第一信号分布相关的第一特征量及与第二信号分布相关的第二特征量来估计电子笔14的指示位置或倾斜角度(S3)。而且，第一特征量包括第一局部特征量，该第一局部特征量对应于比构成第一信号分布中的线电极18x、18y的配置数量少的线电极18x、18y，第二特征量包括第二局部特征量，该第二局部特征量与对应于比构成第二信号分布的线电极18x、18y的配置数量少的线电极18x、18y的第二局部分布相关。
这样，通过使用进行了机器学习的估计器50，能够通过机器学习来提取潜在性的检测模式，在进行指示位置或倾斜角度的估计时易于适当地反映该检测模式的倾向。由此，提升具有至少一个电极的电子笔14的笔状态的估计精度。另外，通过使用与对应于比构成信号分布的线电极18x、18y的配置数量少的数量的线电极18x、18y的局部分布相关的局部特征量，能够降低输入局部特征量的估计器50的处理负担。
另外，也可以是，第一电极是具有相对于电子笔14的轴对称的形状且设置在电子笔14的尖端的端头电极30，第二电极是具有相对于电子笔14的轴对称的形状且相比端头电极30设置于基端侧的上部电极32。由于存在电子笔14的倾斜角度与检测位置之间的关系根据上部电极32的三维形状而发生变化的倾向，易于更显著地体现上述估计精度的提升效果。
另外，也可以是，第一局部特征量及/或第二局部特征量与线电极18x、18y的配置数量无关而以恒定的数据数量构成。通过使估计所使用的数据数量恒定，能够进行不依赖于触摸传感器18的结构(即，线电极18x、18y的配置数量)的一样的估计。
另外，也可以是，第一(或第二)局部分布是第一(或第二)信号分布中的静电电容的变化相对较大的分布。通过使用除去与第一(或第二)局部分布相比静电电容的变化相对较小的信号分布以外的第一(或第二)局部特征量，更显著地体现估计精度的提升效果。
另外，也可以是，第一特征量还包括在触摸传感器18的检测面上定义的传感器坐标系中的第一局部分布的基准位置，估计器50构成为能够执行将基准位置与指示位置之间的相对位置作为输出值的位置运算，触摸IC20通过在基准位置加上相对位置来估计指示位置。
另外，也可以是，估计器50构成为能够依次执行将第二局部特征量作为输入值且将倾斜角度作为输出值的角度运算和将第一局部特征量及倾斜角度作为输入值且将相对位置作为输出值的位置运算。通过明示性地使用与指示位置的相关性较高的倾斜角度来进行位置运算，进一步提高指示位置的估计精度。
进而，也可以是，估计器50构成为包括：开关61，能够切换并输出角度运算用的学习参数组和位置运算用的学习参数组中的任一方；开关62，能够切换并输出角度运算用的输入值和位置运算用的输入值中的任一方；以及共用运算器60，构成为能够根据开关61、62的切换来选择性地执行角度运算或位置运算。由此，与分开设置两个用途的运算器的情况相比，运算器的结构更简洁。
另外，也可以是，第一局部特征量包括表示第一局部分布的斜率或该斜率的绝对值的特征量，并且第二局部特征量包括表示第二局部分布的斜率或该斜率的绝对值的特征量。这些局部特征量存在对上述检测模式较强地赋予特征的倾向，因此易于与精度的提升产生相关性。
[第一实施方式的变形例]
接着，参照图12～图15对第一实施方式的第一～第五变形例进行说明。此外，有时对与第一实施方式的情况相同的构成要素标注相同的参照标号，并省略其说明。
＜第一变形例＞
图12(a)是表示第一实施方式的第一变形例中的笔检测功能28B的框图。该笔检测功能28B包括信号获取部40、特征量计算部42和结构不同于第一实施方式的位置估计部80而构成。即，该笔检测功能28B在未设置角度估计部44这点上与图5的笔检测功能28A的结构不同。
图12(b)是表示图12(a)的笔检测功能28B所包括的估计器82的结构的图。该估计器82对应于图12(a)所示的位置估计部80。估计器82是例如由输入层82i、中间层82m及输出层82o构成的阶层式神经网络运算器。输入层82i由用于输入第一局部特征量及第二局部特征量的各值的2N个运算单元构成。中间层82m由M个(在此，M＝2N)运算单元构成。输出层82o由用于输出基准位置与指示位置之间的相对位置的一个运算单元构成。
这样，笔检测功能28B的估计器82也可以执行将第一局部特征量及第二局部特征量作为输入值且将相对位置作为输出值的位置运算。即使是采用该结构的情况下，也能够与第一实施方式的估计器50(图9)同样地以较高的精度估计电子笔14的指示位置。
＜第二变形例＞
图13(a)是表示第一实施方式的第二变形例中的笔检测功能28C的框图。该笔检测功能28C包括信号获取部40、特征量计算部42、特征量合成部90和功能不同于上述第一变形例的位置估计部92而构成。即，该笔检测功能28C在设置有特征量合成部90这点上与第一变形例的笔检测功能28B不同。
图13(b)是表示图13(a)的笔检测功能28C所包括的估计器94的结构的图。该估计器94由合成器96及运算器98构成。合成器96对应于图13(a)所示的特征量合成部90，运算器98对应于图13(a)所示的位置估计部92。
合成器96由输出表示第一特征量与第二特征量之间的相对值的第三特征量(例如，局部特征量的差或比、基准位置的平均值等)的运算器构成。此外，在“C”运算单元中存储有通过合成而获得的“第三特征量”的各值。
运算器98例如是由输入层98i、中间层98m及输出层98o构成的阶层式神经网络运算器。输入层98i由用于输入第三特征量的各值的N个运算单元构成。中间层98m由M个(在此，M＝N)运算单元构成。输出层98o由用于输出基准位置与指示位置之间的相对位置的1个运算单元构成。此外，运算器98也可以构成为能够与上述相对位置一并或在此之外另行输出倾斜角度。
这样，笔检测功能28C的估计器94也可以包括对第一特征量及第二特征量进行合成而输出第三特征量的合成器96和将第三特征量作为输入值且将指示位置或倾斜角度作为输出值的运算器98而构成。即使采用该结构的情况下，也能够与第一实施方式的估计器50(图9)同样地以较高的精度估计电子笔14的指示位置。
＜第三变形例＞
图14(a)是表示第一实施方式的第三变形例中的笔检测功能28D的框图。该笔检测功能28D包括信号获取部40、特征量计算部42、特征量合成部90和功能不同于上述第二变形例的位置估计部100而构成。
图14(b)是表示图14(a)的笔检测功能28D所包括的估计器102的结构的图。该估计器102由共用运算器104及开关106构成，且对应于图14(a)所示的位置估计部100。共用运算器104是输入来自图14(a)所示的特征量合成部90的第三局部特征量(N个变量)且输出相对位置(1个变量)的神经网络运算器。此外，共用运算器104也可以构成为能够与上述相对位置一并或在此之外另行输出倾斜角度。
开关106根据开关信号的输入来切换并输出第一学习参数组(即，适于接触状态的学习参数组)和第二学习参数组(即，适于悬停状态的学习参数组)中的任一方。在此，由于开关106的输出侧连接于共用运算器104，学习参数组选择性地供给到共用运算器104。
此外，“接触状态”是指电子笔14的端头部接触到电子设备12的检测面的状态。相反地，“悬停状态”是指电子笔14的端头部未接触到电子设备12的检测面。例如，在电子笔14具备对端头部的按压进行检测的传感器的情况下，触摸IC20能够通过对从电子笔14发送的下行链路信号进行分析来识别上述两个状态。
这样，也可以使用根据电子笔14是接触状态还是悬停状态而设定有不同的学习参数组的估计器102来估计电子笔14的指示位置或倾斜角度。由此，能够执行根据电子笔14与触摸传感器18之间的分隔距离来反映信号分布的形状变化的倾向的运算，双方状态下的估计精度各自得到提高。
＜第四变形例＞
各个线电极18x、18y经由未图示的引线而连接于一个触摸IC20。即，配线的长度根据线电极18x、18y的位置而不同，因此在触摸传感器18的检测面内静电电容变化的程度即灵敏度不同。其结果是，引起产生局部分布的畸变等现象，还可能成为有损笔状态的估计精度的原因。因此，也可以进行考虑到上述的灵敏度不均匀性的笔状态的估计。
图15是表示第一实施方式的第四变形例中的估计器110的结构的图。该估计器将前段运算器112及后段运算器114串联地依次连接而成。前段运算器112对应于图5所示的角度估计部44，后段运算器114对应于图5所示的位置估计部46。
此外，图的圆圈记号表示相当于神经网络模型的神经元的运算单元。“T”运算单元存储有与端头电极30对应的“第一局部特征量”的各值。“U”运算单元存储有与上部电极32对应的“第二局部特征量”的各值。“A”运算单元存储有“倾斜角度”。“P”运算单元存储有“位置”(相对位置或指示位置)。
前段运算器112例如是由输入层112i、中间层112m及输出层112o构成的阶层式神经网络运算器。输入层112i由用于输入第二局部分布的基准位置及第二局部特征量的各值的(N+1)个运算单元构成。中间层112m由M个(在此，M＝N)运算单元构成。输出层112o由用于输出倾斜角度的1个运算单元构成。
后段运算器114例如是由输入层114i、中间层114m及输出层114o构成的阶层式神经网络运算器。输入层114i由用于输入第一局部分布的基准位置、第一局部特征量的各值及倾斜角度的(N+2)个运算单元构成。中间层114m由M个(在此，M＝N)运算单元构成。输出层114o由用于输出相对位置(或者指示位置)的1个运算单元构成。
这样，估计器110也可以执行将第一局部特征量及基准位置作为输入值且将相对位置或指示位置作为输出值的位置运算。由此，能够根据基准位置来反映第一局部分布的形状变化的倾向，与不输入基准位置的情况相比可以获得更高的估计精度。
＜第五变形例＞
在第一实施方式中，图10所示的保持电路65连接于开关63的第一输入侧(图的上侧)，但也可以是与此相反地连接于开关63的第二输入侧(图的下侧)。由此，估计器50能够使用第一局部特征量及上次的指示位置来估计本次的倾斜角度。或者，通过在共用运算器60与保持电路65之间设置延迟电路来代替开关63，能够进行[1]还使用本次的倾斜角度的本次的指示位置的估计及[2]还使用上次的指示位置的本次的倾斜角度的估计这双方。
[第二实施方式]
接着，参照图16～图19对第二实施方式中的触摸IC140的笔检测功能28E进行说明。
＜结构及动作＞
第二实施方式中的基本结构与第一实施方式(图1～图4)相同，因此省略其说明。其中，设想电子笔14(图2)仅具有端头电极30的情况。
图16是表示第二实施方式中的笔检测功能28E的框图。该笔检测功能28E包括信号获取部142、特征量计算部144、运算选择部146和位置估计部148而构成。接着，参照图17的流程图对与该笔检测功能28E的执行相伴的触摸IC140的动作进行说明。
在图17的步骤S11中，信号获取部142通过每个线电极18x、18y的扫描动作来从触摸传感器18获取信号分布。该动作与第一实施方式(图6的步骤S1)相同，因此省略详细的说明。
在步骤S12中，特征量计算部144使用在步骤S11中获取的信号分布来计算与该信号分布相关的特征量。特征量计算部144可以计算与第一实施方式(图6的步骤S2)的情况相同的特征量，也可以计算与第一实施方式的情况不同的特征量。例如，特征量计算部144也可以计算与信号分布整体相关的特征量来代替上述局部特征量。
在步骤S13中，运算选择部146基于在步骤S12中计算出的特征量来从多个学习参数组中选择一个组。在该选择之前，运算选择部146对于端头电极30的投影位置是否与触摸传感器18的周缘部干涉来进行判定。
图18是表示触摸传感器18具有的传感器区域150的定义的一例的图。传感器坐标系是由穿过原点O的两个轴(X轴、Y轴)构成的二维正交坐标系。原点O是触摸传感器18的检测面上的特征点(例如，左上的顶点)。X-Y平面与检测面的平面方向一致。在传感器区域150的一部分设定有与触摸传感器18的周缘部对应的画框状的周缘区域152。周缘区域152的形状(例如，宽度、位置、尺寸等)能够根据电子设备12或电子笔14来各种设定。此外，将传感器区域150中的除去上述周缘区域152之外的剩余区域称为普通区域154。
图19是表示由各种信号分布而计算出的局部特征量的倾向的图。更详细地说，图19(a)表示电子笔14具有的端头电极30(图2)的投影位置处于普通区域154内的情况下的局部特征量。另外，图19(b)表示端头电极30的投影位置处于周缘区域152内的情况下的局部特征量。在本图中，重叠表记使倾斜角度各自变化而获得的多条折线或标绘。
例如，设想特征量计算部144通过从在信号分布整体范围内计算出的特征量中提取地址连续的6个数据来计算与单元编号0～5对应的局部特征量。根据图19(b)可以理解的是，由于在传感器区域150外无法检测信号分布的一部分，可能发生欠缺局部特征量的一部分的情况。即，在依照一样的运算规则对于形状的倾向较大地不同的两种局部特征量进行指示位置的估计的情况下，该估计精度有可能产生偏差。
因此，运算选择部146在特征量所包括的基准位置处于普通区域154内的情况下选择普通区域运算用的学习参数组，并将该学习参数组供给到位置估计部148。另一方面，运算选择部146在上述基准位置处于周缘区域152内的情况下选择周缘区域运算用的学习参数组，并将该学习参数组供给到位置估计部148。
在图17的步骤S14中，位置估计部148由在步骤S12中计算出的特征量来估计电子笔14的指示位置。具体地说，位置估计部148使用选择性地设定学习参数组的估计器来进行适于端头电极30的投影位置的指示位置的估计。此外，位置估计部148也可以构成为能够与指示位置一并或在此之外另行估计倾斜角度。
在步骤S15中，笔检测功能28E将包括在步骤S14中估计的指示位置的数据供给到主处理器22。如上所述，结束图17的流程图。触摸IC140通过以预定时间间隔逐步执行该流程图而在追随电子笔14的移动的同时检测指示位置。
＜第二实施方式的总结＞
如上所述，该触摸IC140是基于由将多个线电极18x、18y呈面状地配置而成的静电电容方式的触摸传感器18检测出的信号分布来对具有端头电极30的电子笔14的状态进行检测的笔状态检测电路。而且，触摸IC140(一个或多个处理器)从触摸传感器18获取表示与端头电极30的接近相伴的静电电容的变化的信号分布(图17的S11)，根据端头电极30在触摸传感器18的检测面上的投影位置而依照不同的运算规则，由与信号分布相关的特征量来估计电子笔14的指示位置或倾斜角度(S13、S14)。
这样，通过根据电子笔14具有的端头电极30的投影位置来适用不同的运算规则，能够执行适于投影位置的估计，抑制由电子笔14与触摸传感器18之间的相对位置关系引起的笔状态的估计精度的降低。
例如，上述运算规则是估计电子笔14的指示位置或倾斜角度的规则，且触摸IC140也可以使用根据端头电极30的投影位置是否与触摸传感器18的周缘部干涉而设定有不同的学习参数组的估计器，来估计指示位置或倾斜角度。
另外，通过使用与对应于比构成信号分布的线电极18x、18y的配置数量少的数量的线电极18x、18y的局部分布相关的局部特征量，能够降低输入局部特征量的估计器50的处理负担。或者，通过使用除去与局部分布相比静电电容的变化相对较小的信号分布以外的局部特征量，更显著地体现估计精度的提升效果。
[第二实施方式的变形例]
在上述第二实施方式中，使估计电子笔14的指示位置或倾斜角度的运算规则变更，但变更对象也可以是除此以外的运算规则。
图20是表示第二实施方式的变形例中的笔检测功能28F的框图。该笔检测功能28F包括信号获取部142、特征量计算部144、偏移处理部160和位置估计部148而构成。即，该笔检测功能28F在设置有偏移处理部160以代替运算选择部146这点上与图16的笔检测功能28E的结构不同。
偏移处理部160根据需要来使由特征量计算部144计算出的局部特征量的位置偏移。从功能上来说的话，偏移处理部160在未发现局部分布的欠缺的情况下不进行偏移处理，另一方面，在发现局部分布的欠缺的情况下进行偏移处理。具体地说，偏移处理部160由局部特征量的相邻差分来确定局部分布的上升沿位置或下降沿位置，并以使两者的位置收敛在预定范围内的方式确定偏移的方向及量。由此，在欠缺局部分布的一部分的情况下，以使该局部分布的峰值中心靠近中央侧的方式使局部特征量的地址相对地偏移。
图21是表示图18的周缘区域152中的局部特征量的偏移处理的效果的图。更详细地说，图21(a)表示偏移处理前的局部特征量，并且图21(b)表示偏移处理后的局部特征量。在本图中，重叠表记使倾斜角度各自变化而获得的两条折线(实线及虚线)。
图21(a)的局部特征量使用以单元编号5的位置为峰值中心的局部分布来进行计算。另一方面，图21(b)的局部特征量是使图21(a)所示的局部特征量的地址向负侧偏移“2”而成的。通过该偏移处理，来调整局部特征量，使得局部分布的峰值中心成为单元编号3的位置。由此，能够使可能发生局部分布的欠缺的周缘区域152中的局部特征量的地址匹配于不发生欠缺的普通区域154中的局部特征量的地址，与此相应地易于抑制由电子笔14与触摸传感器18之间的相对位置关系引起的笔状态的估计精度的降低。
这样，上述运算规则是计算局部特征量的规则，且触摸IC140由局部特征量来估计指示位置或倾斜角度，该局部特征量是根据端头电极30的投影位置是否与触摸传感器18的周缘部干涉而依照不同的规则计算出的。即使这样构成也可以获得与第二实施方式相同的作用效果(即，抑制估计精度的降低的效果)。
[第三实施方式]
接着，参照图22～图27对第三实施方式中的触摸IC200的笔检测功能28G进行说明。
＜结构及动作＞
第三实施方式中的基本结构与第一实施方式(图1～图4)相同，因此省略其说明。其中，设想电子笔14(图2)仅具有端头电极30的情况。
图22(a)是表示第三实施方式中的笔检测功能28G的框图。该笔检测功能28G包括信号获取部202、特征量计算部204、自编码处理部(以下，AE处理部206)和位置估计部208而构成。或者，如图22(b)所示，笔检测功能28H也可以包括信号获取部202、AE处理部206和位置估计部208而构成。接着，对于与该笔检测功能28G、28H的执行相伴的触摸IC200的动作，参照图23的流程图来进行说明。
在图23的步骤S21中，信号获取部202通过每个线电极18x、18y的扫描动作来从触摸传感器18获取信号分布。该动作与第一实施方式(图6的步骤S1)相同，因此省略详细的说明。
在步骤S22中，特征量计算部204使用在步骤S21中获取的信号分布来计算与该信号分布相关的特征量。在图22(a)所示的结构的情况下，特征量计算部204可以计算与第一实施方式(图6的步骤S2)的情况相同或不同的特征量。另一方面，在图22(b)所示的结构的情况下，特征量是信号分布本身。例如，在前者的情况下，也可以使用与信号分布整体相关的特征量以代替上述局部特征量。
在步骤S23中，AE处理部206对在步骤S22中计算出的特征量进行后述的自编码处理。在步骤S24中，位置估计部208由在步骤S23中实施自编码处理而得到的特征量来估计指示位置。该自编码处理及笔状态的估计通过进行了机器学习的估计器210来进行。
图24是表示图22的笔检测功能28G、28H所包括的估计器210的结构的图。该估计器210由串联连接的前段运算器212及后段运算器214构成。前段运算器212对应于图22(a)(b)所示的AE处理部206，后段运算器214对应于图22(a)(b)所示的位置估计部208。此外，表记为0～5的运算单元存储有与端头电极30对应的“特征量”的各值。
估计器210例如是由第一层221、第二层222，第三层223、第四层224及第五层225构成的五层式神经网络运算器。第一层221由用于输入特征量的各值的N个运算单元构成。第二层222由M个(在此，M＜N)运算单元构成。第三层223由与第一层221的结构相同数量(即，N个)的运算单元构成。第四层224例如由L个(在此，L＝N)运算单元构成。第五层225由用于输出指示位置的1个运算单元构成。
前段运算器212是将第一层221作为输入层、将第二层222作为中间层且将第三层223作为输出层的阶层式神经网络模型运算器。在该结构的情况下，第一层221及第二层222承担维度压缩功能，第二层222及第三层223承担维度还原功能。前段运算器212的运算处理使用通过无教师学习而最优化的学习参数组。
后段运算器214是将第三层223作为输入层、将第四层224作为中间层且将第五层225作为输出层的阶层式神经网络模型运算器。后段运算器214的运算处理使用通过有教师学习来最优化的学习参数组。
在图23的步骤S25中，笔检测功能28G、28H将包括在步骤S24中估计的指示位置的数据供给到主处理器22。如上所述，结束图23的流程图。触摸IC200通过以预定时间间隔逐步执行该流程图，在追随电子笔14的移动的同时检测指示位置。
＜估计精度的比较＞
接着，参照图25～图27对进行了机器学习的估计器210的估计精度的提升效果进行说明。
图25是表示执行自编码处理前的特征量的偏差的图。更详细地说，图25(a)是表示由各种信号分布而计算出的特征量的倾向的图。另外，图25(b)表示由图25(a)中的特征量的总体而计算出的偏差。在本图中，重叠表记使倾斜角度各自变化而获得的多条折线或标绘。
图26是表示执行自编码处理后的特征量的偏差的图。更详细地说，图26(a)是表示对图25(a)中的特征量分别实施自编码处理的结果的图。另外，图26(b)表示由图26(a)中的特征量的总体而计算出的偏差。在本图中，重叠表记所获得的多条折线或标绘。
根据图25(b)及图26(b)可以理解的是，在自编码处理前后，特征量的偏差(即，偏差)减少到一半以下。即，通过实施自编码处理，可以获得去除混入到特征量中的噪声分量的效果。
图27(a)是表示“参考例”中的指示位置的估计精度的图，图27(b)是表示“实施例”中的指示位置的估计精度的图。在此，使倾斜角度及噪声赋予量的组合变化且估计各自的指示位置，并通过散点图来表现指示位置的实际值(单位：mm)与估计误差(单位：μm)之间的关系性。此外，作为该比较对象(参考例)，仅使用图24的后段运算器214来进行指示位置的估计。在对两者的散布图进行比较时，可以认识到通过对特征量实施自编码处理而使指示位置的估计精度提升。
＜第三实施方式的总结＞
如上所述，该触摸IC200是基于由将多个传感器电极(线电极18x、18y)呈面状地配置而成的静电电容方式的触摸传感器18检测的信号分布来检测具有至少一个电极的电子笔14的状态的笔状态检测电路。而且，触摸IC200(一个或多个处理器)从触摸传感器18获取表示与电极的接近相伴的静电电容的变化的信号分布(图23的S21)，进行自编码处理，该自编码处理通过对与信号分布相关的特征量依次执行维度压缩处理及维度还原处理，而输出与输入的维度数相等的特征量(S23)，使用实施该自编码处理而得到的特征量来估计电子笔14的指示位置或倾斜角度(S24)。
这样，通过对与信号分布相关的特征量进行自编码处理，能够去除特征量所包括的噪声分量，提升指示位置的估计精度。特别是，通过使用进行了机器学习的估计器210(更详细地说，后段运算器214)，指示位置的估计精度进一步提高。此外，该特征量可以是第一实施方式中的第一特征量、第二特征量或其双方。
另外，触摸IC200也可以使用进行了机器学习的估计器210，由实施自编码处理而得到的特征量来估计指示位置或倾斜角度。例如，在第一实施方式及该变形例中，也可以在[1]位置估计部46(图5)的输入侧、[2]角度估计部44(图5)的输入侧、[3]位置估计部80(图12)的输入侧、[4]特征量合成部90(图13、图14)的输入侧、[5]位置估计部100(图14)的输入侧中的至少一处增设AE处理部206。
[第四实施方式]
接着，参照图28～图31对作为第四实施方式中的笔状态检测系统的输入系统250进行说明。
＜整体结构＞
图28是作为第四实施方式中的笔状态检测系统的输入系统250的整体结构图。该输入系统250包括一台或多台电子设备12、一根或多根电子笔14和学习用计算机252而构成。各个电子设备12以能够经由网络NW与学习用计算机252双向地进行通信的方式构成。
学习用计算机252是承担适于电子笔14的学习参数组LP的管理功能的服务器装置。具体地说，学习用计算机252包括通信部254、控制部256和存储部258而构成。
通信部254由能够相对于外部装置收发电信号的通信接口构成。由此，学习用计算机252能够根据来自电子设备12的请求而将与电子笔14对应的学习参数组LP向电子设备12发送。
控制部256可以是包括CPU的通用处理器，也可以是包括GPU、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)的专用处理器。控制部256通过读取并执行在包括存储部258的存储器中存储的程序，作为数据处理部260、学习处理部262及学习器264来发挥功能。
存储部258例如由包括硬盘驱动器(HDD：Hard Disk Drive)、固态硬盘(SSD：SolidState Drive)的非暂时性的存储介质构成。在图28的例子中，存储部258存储有作为教师数据TD的集合体的教师数据组266和与学习参数相关的数据库(以下，参数DB268)。
＜功能框图＞
图29是与图28所示的控制部256的学习处理相关的功能框图。控制部256通过使用预先准备的教师数据TD来进行针对学习器264的学习处理来制成适用于电子笔14的一种以上的学习参数组LP。在本图中，示意性地示出控制部256能够执行的功能部中的学习处理部262及学习器264。
学习处理部262使用多组教师数据TD来进行针对学习器264的学习处理(换句话说，学习参数组LP的最优化处理)。具体地说，学习处理部262具备数据获取部270、学习误差计算部272、参数更新部274和收敛判断部276。
数据获取部270从预先准备的教师数据组266中获取一组或多组教师数据TD。该教师数据TD由输入矢量和输出值的数据组构成，且通过实际的测定或计算机模拟来获得。例如，在“实际的测定”的情况下，也可以随机地选择传感器平面上的多个位置，并对各个位置上的信号分布进行测定，从而制成教师数据TD。另外，在“计算机模拟”的情况下，也可以使用包括电磁场分析或电气电路分析在内的物理模拟、包括采样处理、插补处理或噪声赋予的数学模拟来制成教师数据TD。
学习误差计算部272计算针对教师数据TD的输入矢量的来自学习器284的输出值与教师数据TD的输出值之间的误差(以下，称为学习误差)。该学习误差可以是返还差分的绝对值的L1范数函数，也可以是返还差分的平方的L2范数函数。另外，该学习误差可以是一组教师数据TD中的误差(在线学习的情况)，也可以是与多组教师数据TD相关的误差(批量学习或小批量学习的情况)。
参数更新部274对学习参数组LP的可变参数进行更新，使得由学习误差计算部272计算出的学习误差变小。作为更新算法，例如可以使用包括梯度下降法、随机梯度下降法、动量法、RMSprop的各种方法。
收敛判断部276判断是否满足当前的学习时间点下预先确定的收敛条件。作为该收敛条件的一例，可以举出[1]学习误差充分地小、[2]学习误差的更新量充分地小、[3]学习的重复次数达到了上限值等。
＜学习参数组LP的设定方法＞
图30是表示学习参数组LP的设定方法的第一例的图。首先，学习用计算机252使用各种与电子笔14相关的教师数据TD来进行机器学习。这样，生成对于电子笔14来说典型性的学习参数组LP。然后，触摸IC20、140、200的制造作业者进行将存储在参数DB288中的学习参数组LP写入到存储器280中的作业。由此，存储器280成组的触摸IC20、140、200能够在组装到电子设备12的状态下发挥笔状态的估计功能。
图31是表示学习参数组LP的设定方法的第二例的图。[1]首先，电子设备12尝试与处于本机周围的电子笔14的配对。[2]在该配对成功而检测到电子笔14的情况下，电子设备12将包括从电子笔14获取的识别信息(即，笔ID)的请求信号向学习用计算机252发送。[3]学习用计算机252的数据处理部260对参数DB268进行检索而获取与笔ID对应的学习参数组LP。[4]学习用计算机252将所获取的学习参数组LP向请求信号的发送源即电子设备12发送。[5]电子设备12以使触摸IC20、140、200能够利用的方式使学习参数组LP成组。由此，触摸IC20、140、200能够发挥笔状态的估计功能。
＜第四实施方式的总结＞
如上所述，输入系统250具备包括触摸IC20、140、200而构成的电子设备12、与电子设备12一起使用的电子笔14和学习用计算机252，该学习用计算机252能够与电子设备12进行双向通信，且能够存储构建于触摸IC20、140、200且用于估计电子笔14的指示位置或倾斜角度的估计器的学习参数组LP。
而且，电子设备12在检测到电子笔14的情况下向学习用计算机252请求与电子笔14对应的学习参数组LP的发送，且以使触摸IC20、140、200能够利用的方式保持来自学习用计算机252的学习参数组LP。由此，即使在电子设备12与电子笔14的组合变更的情况下，也能够进行适于电子笔14的估计。
标号说明
10、250输入系统(笔状态检测系统)、12电子设备、14电子笔、16手指、18触摸传感器、18x、18y线电极、20、140、200触摸IC(笔状态检测电路)、22主处理器、28(A、B、C、D、E、F、G、H)笔检测功能、30端头电极(第一电极)、32上部电极(第二电极)、34振荡电路、50、82、94、102、100、210估计器、52、112、212前段运算器、54、114、214后段运算器、60、104共用运算器、61开关(第一开关)、62开关(第二开关)、250学习用计算机(服务器装置)、LP学习参数组、TD教师数据。

Claims (20)

1.一种笔状态检测电路，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有第一电极以及与所述第一电极不同的第二电极的电子笔的状态进行检测，其特征在于，执行如下步骤：
获取步骤，从所述触摸传感器获取第一信号分布和第二信号分布，所述第一信号分布表示与所述第一电极的接近相伴的静电电容的变化，所述第二信号分布表示与所述第二电极的接近相伴的静电电容的变化；以及
估计步骤，使用进行了机器学习的估计器，由与所述第一信号分布相关的第一特征量及与所述第二信号分布相关的第二特征量来估计所述电子笔的指示位置或倾斜角度，
所述第一特征量包括与第一局部分布相关的第一局部特征量，所述第一局部分布对应于比构成所述第一信号分布的传感器电极的配置数量少的数量的传感器电极，
所述第二特征量包括与第二局部分布相关的第二局部特征量，所述第二局部分布对应于比构成所述第二信号分布的传感器电极的配置数量少的数量的传感器电极。
2.根据权利要求1所述的笔状态检测电路，其特征在于，
所述第一局部特征量与传感器电极的配置数量无关而以恒定的数据数量构成。
3.根据权利要求1所述的笔状态检测电路，其特征在于，
所述第一局部分布是所述第一信号分布中的静电电容的变化量与所述第一局部分布以外的位置相比或者与预定阈值相比较大的分布。
4.根据权利要求1所述的笔状态检测电路，其特征在于，
所述第一特征量还包括在所述触摸传感器的检测面上定义的传感器坐标系中的所述第一局部分布的基准位置，
所述估计器构成为能够执行将所述基准位置与所述指示位置之间的相对位置作为输出值的位置运算，
在所述估计步骤中，通过在所述基准位置加上所述相对位置来估计所述指示位置。
5.根据权利要求1所述的笔状态检测电路，其特征在于，
所述第一电极是具有相对于所述电子笔的轴对称的形状且设置在所述电子笔的尖端的端头电极，
所述第二电极是具有相对于所述电子笔的轴对称的形状且相比所述端头电极设置于基端侧的上部电极。
6.根据权利要求5所述的笔状态检测电路，其特征在于，
所述估计器构成为能够依次执行将所述第二局部特征量作为输入值且将所述倾斜角度作为输出值的角度运算和将所述第一局部特征量及所述倾斜角度作为输入值且将所述相对位置作为输出值的位置运算。
7.根据权利要求6所述的笔状态检测电路，其特征在于，
所述估计器构成为包括：
第一开关，能够切换并输出所述角度运算用的学习参数组和所述位置运算用的学习参数组中的任一方；
第二开关，能够切换并输出所述角度运算用的输入值和所述位置运算用的输入值中的任一方；以及
共用运算器，构成为能够根据所述第一开关及所述第二开关的切换来选择性地执行所述角度运算或所述位置运算。
8.根据权利要求1所述的笔状态检测电路，其特征在于，
所述估计器构成为能够执行将所述第一局部特征量及所述第二局部特征量作为输入值且将所述相对位置作为输出值的位置运算。
9.根据权利要求1所述的笔状态检测电路，其特征在于，
所述估计器构成为包括：
合成器，对所述第一特征量及所述第二特征量进行合成而输出第三特征量；以及
运算器，将所述第三特征量作为输入值，并将所述指示位置作为输出值。
10.根据权利要求1所述的笔状态检测电路，其特征在于，
在所述估计步骤中，使用根据所述电子笔是接触状态还是悬停状态而设定有不同的学习参数组的估计器，来估计所述指示位置或所述倾斜角度。
11.根据权利要求4所述的笔状态检测电路，其特征在于，
所述估计器构成为能够执行将所述第一局部特征量及所述基准位置作为输入值的位置运算。
12.根据权利要求1所述的笔状态检测电路，其特征在于，
所述第一局部特征量包括表示所述第一局部分布的斜率或该斜率的绝对值的特征量，
所述第二局部特征量包括表示所述第二局部分布的斜率或该斜率的绝对值的特征量。
13.根据权利要求1所述的笔状态检测电路，其特征在于，
所述机器学习是使用通过实际的测定或计算机模拟而获得的教师数据的有教师学习。
14.根据权利要求1所述的笔状态检测电路，其特征在于，
所述笔状态检测电路还执行如下处理步骤：进行自编码处理，该自编码处理通过对所述第一特征量依次执行维度压缩处理及维度还原处理，而获得与输入的维度数相等的第一特征量，
在所述估计步骤中，使用所述估计器，由实施所述自编码处理而得到的所述第一特征量来估计所述指示位置或所述倾斜角度。
15.一种笔状态检测系统，其特征在于，具备：
电子设备，包括权利要求1所述的笔状态检测电路而构成；
电子笔，与所述电子设备一起使用；以及
服务器装置，构成为能够与所述电子设备进行双向通信，且能够存储构建于所述笔状态检测电路的估计器的学习参数组，
所述电子设备以所述电子笔的检测为契机，向所述服务器装置请求与该电子笔对应的学习参数组的发送。
16.一种笔状态检测方法，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有第一电极以及与所述第一电极不同的第二电极的电子笔的状态进行检测，其特征在于，使一个或多个处理器执行如下步骤：
获取步骤，从所述触摸传感器获取第一信号分布和第二信号分布，所述第一信号分布表示与所述第一电极的接近相伴的静电电容的变化，所述第二信号分布表示与所述第二电极的接近相伴的静电电容的变化；以及
估计步骤，使用进行了机器学习的估计器，由与所述第一信号分布相关的第一特征量及与所述第二信号分布相关的第二特征量来估计所述电子笔的指示位置或倾斜角度，
所述第一特征量包括与第一局部分布相关的第一局部特征量，所述第一局部分布对应于比构成所述第一信号分布的传感器电极的配置数量少的数量的传感器电极，
所述第二特征量包括与第二局部分布相关的第二局部特征量，所述第二局部分布对应于比构成所述第二信号分布的传感器电极的配置数量少的数量的传感器电极。
17.一种笔状态检测电路，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有电极的电子笔的状态进行检测，其特征在于，执行如下步骤：
获取步骤，从所述触摸传感器获取信号分布，所述信号分布表示与所述电极的接近相伴的静电电容的变化；以及
估计步骤，根据所述电极在所述触摸传感器的检测面上的投影位置而依照不同的运算规则，由与所述信号分布相关的特征量来估计所述电子笔的指示位置或倾斜角度，
所述运算规则是估计所述指示位置或所述倾斜角度的规则，
在所述估计步骤中，使用根据所述电极的投影位置是否与所述触摸传感器的周缘部干涉而设定有不同的学习参数组的估计器，估计所述指示位置或所述倾斜角度。
18.根据权利要求17所述的笔状态检测电路，其特征在于，
所述特征量包括与局部分布相关的局部特征量，该局部分布对应于比构成所述信号分布的传感器电极的配置数量少的数量的传感器电极，
所述运算规则是计算所述局部特征量的规则，
在所述估计步骤中，由所述局部特征量来估计所述指示位置或所述倾斜角度，所述局部特征量是根据所述电极的投影位置是否与所述触摸传感器的周缘部干涉而依照不同的规则计算出的。
19.一种笔状态检测系统，其特征在于，具备：
电子设备，包括权利要求17所述的笔状态检测电路而构成；
电子笔，与所述电子设备一起使用；以及
服务器装置，构成为能够与所述电子设备进行双向通信，且能够存储构建于所述笔状态检测电路的估计器的学习参数组，
所述电子设备在检测到所述电子笔的情况下，向所述服务器装置请求与该电子笔对应的学习参数组的发送。
20.一种笔状态检测方法，基于由将多个传感器电极呈面状地配置而成的静电电容方式的触摸传感器检测到的信号分布，对具有电极的电子笔的状态进行检测，其特征在于，使一个或多个处理器执行如下步骤：
获取步骤，从所述触摸传感器获取信号分布，所述信号分布表示与所述电极的接近相伴的静电电容的变化；以及
估计步骤，根据所述电极在所述触摸传感器的检测面上的投影位置而依照不同的运算规则，由与所述信号分布相关的特征量来估计所述电子笔的指示位置或倾斜角度，
所述运算规则是估计所述指示位置或所述倾斜角度的规则，
在所述估计步骤中，使用根据所述电极的投影位置是否与所述触摸传感器的周缘部干涉而设定有不同的学习参数组的估计器，估计所述指示位置或所述倾斜角度。
CN202080011509.XA 2019-03-29 2020-01-24 笔状态检测电路、系统及方法 Active CN113396380B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/014260 WO2020202352A1 (ja) 2019-03-29 2019-03-29 ペン状態検出回路及びペン状態検出方法
JPPCT/JP2019/014260 2019-03-29
PCT/JP2020/002615 WO2020202734A1 (ja) 2019-03-29 2020-01-24 ペン状態検出回路、システム及び方法

Publications (2)

Publication Number Publication Date
CN113396380A CN113396380A (zh) 2021-09-14
CN113396380B true CN113396380B (zh) 2024-05-10

Family

ID=72666172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080011509.XA Active CN113396380B (zh) 2019-03-29 2020-01-24 笔状态检测电路、系统及方法

Country Status (5)

Country Link
US (3) US11604521B2 (zh)
JP (1) JP7277567B2 (zh)
CN (1) CN113396380B (zh)
DE (1) DE112020001686T5 (zh)
WO (2) WO2020202352A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7478608B2 (ja) * 2020-07-01 2024-05-07 株式会社ワコム 位置検出装置及びブログラム
JP7562231B2 (ja) * 2020-09-07 2024-10-07 株式会社ワコム パームリジェクションの方法及びセンサコントローラ
JP2024024440A (ja) * 2022-08-09 2024-02-22 株式会社ワコム ペン状態検出回路及び方法、並びに入力システム

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106201049A (zh) * 2014-09-17 2016-12-07 株式会社和冠 位置检测装置以及位置检测方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3260357B2 (ja) * 1990-01-24 2002-02-25 株式会社日立製作所 情報処理装置
JP3353786B2 (ja) * 1990-01-24 2002-12-03 株式会社日立製作所 情報処理装置
JPH08212184A (ja) * 1995-02-01 1996-08-20 Fujitsu Ltd 認識装置および欠損値推定／学習方法
TWI339808B (en) 2007-09-07 2011-04-01 Quanta Comp Inc Method and system for distinguishing multiple touch points
FR2988175B1 (fr) 2012-03-13 2014-04-11 Nanotec Solution Procede de mesure capacitive par des electrodes non-regulieres, et appareil mettant en œuvre un tel procede
JP2015087785A (ja) 2013-10-28 2015-05-07 株式会社東芝 電子機器及び座標補正方法
US9933880B2 (en) 2014-03-17 2018-04-03 Tactual Labs Co. Orthogonal signaling touch user, hand and object discrimination systems and methods
US20180088786A1 (en) * 2016-09-23 2018-03-29 Microsoft Technology Licensing, Llc Capacitive touch mapping
US10310636B2 (en) * 2016-11-04 2019-06-04 Microsoft Technology Licensing, Llc Active stylus
WO2018083872A1 (ja) * 2016-11-04 2018-05-11 株式会社ワコム スタイラス、方法、及び処理装置
JP6241576B1 (ja) * 2016-12-06 2017-12-06 三菱電機株式会社 検査装置及び検査方法
US10572063B2 (en) * 2017-01-09 2020-02-25 Microsoft Technology Licensing, Llc Position, tilt, and twist detection for stylus
CN110869897A (zh) 2017-07-14 2020-03-06 株式会社和冠 修正笔坐标与指示器的显示位置之间的偏离的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106201049A (zh) * 2014-09-17 2016-12-07 株式会社和冠 位置检测装置以及位置检测方法

Also Published As

Publication number Publication date
JPWO2020202734A1 (ja) 2021-11-25
US20230146504A1 (en) 2023-05-11
JP7277567B2 (ja) 2023-05-19
US20240111372A1 (en) 2024-04-04
WO2020202352A1 (ja) 2020-10-08
US11841999B2 (en) 2023-12-12
US20210389833A1 (en) 2021-12-16
CN113396380A (zh) 2021-09-14
US11604521B2 (en) 2023-03-14
WO2020202734A1 (ja) 2020-10-08
DE112020001686T5 (de) 2022-01-13

Similar Documents

Publication Publication Date Title
CN113396380B (zh) 笔状态检测电路、系统及方法
US9207822B1 (en) Contact identification and tracking on a capacitance sensing array
KR101749378B1 (ko) 추정 강체 운동 응답을 사용하여 물체 정보를 결정하기 위한 시스템 및 방법
US9146648B2 (en) Touch sensing method for touch panel
JPWO2019013222A1 (ja) ペン座標とポインタの表示位置との間のズレを補正する方法
TW200941314A (en) Touch sensor device and pointing coordinate determination method thereof
Akhtar et al. A methodology for evaluating accuracy of capacitive touch sensing grid patterns
JP2012203563A (ja) タッチパネルを用いた操作入力検知装置
US20240310933A1 (en) Pen state detection circuit and method, and input system
KR101143276B1 (ko) 터치 입력의 위치 측정 정확도 향상을 위한 적응형 노이즈 제거 방법
JP2007048004A (ja) 設計支援装置および設計支援方法
CN115793893B (zh) 触摸书写笔迹生成方法、装置、电子设备及存储介质
US12118168B2 (en) Pen state detection circuit, method, and device, and parameter supply device
US20120194454A1 (en) Finger tilt detection in touch surface-based input devices
KR101598807B1 (ko) 펜의 기울기를 측정하는 방법 및 그 디지타이저
CN108496145A (zh) 校准具有工业机器人的触摸屏面板的方法及其系统、工业机器人和触摸屏
JP2018049498A (ja) 画像処理装置、操作検出方法、コンピュータプログラム、及び記憶媒体
US11880526B2 (en) Maintaining pressure input paths
US12019826B2 (en) Touch detecting method and touch detecting device
KR20170141303A (ko) 사용자 동작 반응형 디지털 지우개 및 이의 작동 방법
JP2023032324A (ja) 非接触入力装置
CN114627243A (zh) 一种触控笔三维模型自动构建装置、方法及计算机可读介质
JP2015215704A (ja) 解析装置、解析プログラム、および解析方法

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