JP2022550234A - 触覚センサ及び触覚センサの動作方法 - Google Patents

Abstract

複数の応力センサ（１００）と少なくとも1つの接触体（２００）とを備え、応力センサ（１００）は、接触体の検出面（２００ａ）に加わる負荷パターンを検出するように設定される、触覚センサ（１）。【選択図】図９

Description

触覚センサが知られている。更に、触覚センサを操作する方法が知られている。

解決すべき課題の一つは、特に、速度及び汎用性が改善された触覚センサを規定することである。解決すべき更なる課題は、特に、速度及び汎用性が改善された触覚センサの動作方法を規定することである。

触覚センサは変換器であり、触覚センサの検出面上の負荷パターンを検出可能である。負荷パターンは、物体が検出面に沿って滑る、物体が検出面に静的に押しつけられたり物体が検出面で跳ね返ったりする、あるいは、これらの過程が混在することで発生する場合がある。

触覚センサは、複数の応力センサから構成される。複数の応力センサは、共通の基板上に配置されてもよい。特に、複数の応力センサは、一般的な製造方法、特にＣ－ＭＯＳプロセスで製造されてもよい。特に、複数の応力センサは一般的なチップに集積される。例えば、複数の応力センサは、一般的な製造プロセスで製造されてもよい。複数の応力センサは、それぞれｐ－ＭＯＳトランジスタ及び／又はｎ－ＭＯＳトランジスタにより構成されてもよい。例えば、各応力センサは、ホイートストンブリッジとして接続される４つのトランジスタで構成される。

触覚センサは、少なくとも１つの接触体からなる。接触体は、複数の応力センサが埋め込まれたフルボディであってもよい。特に、機械的ストレスに敏感な複数の応力センサの表面は、接触体によって完全に覆われる。例えば接触体は、複数の応力センサと、負荷パターンを生じさせる物体との間に機械的な接続を提供する。

複数の応力センサは、接触体の検出面に加わる静的触覚力と動的触覚力を検出するように設定されている。特に、接触体は、その検出面から複数の応力センサに機械的応力を伝達する。複数の応力センサは、共通の接触体に機械的に接続されていてもよい。特に、接触体の検出面は、接触体のすべての応力センサと機械的に接続される。動的触覚力と静的触覚力の両方が、検出面に対して垂直又は斜めに作用することがある。

静的触覚力とは、検出面に作用する一定の力のことである。この文脈において、一定の力は、第１期間で大きさ又は方向が変化しない。第１期間は、触覚センサの最大サンプリングレートよりも少なくとも１００倍、好ましくは少なくとも１０００倍大きい。例えば、第１期間は少なくとも０．５秒である

動的触覚力とは、検出面に作用する力であって変化する力である。この文脈において、変化する力は、第２期間で大きさ及び／又は方向が変化する。第２期間は、触覚センサのサンプリングレートの少なくとも２倍の大きさである。例えば、第２期間は最大で５秒、好ましくは最大で０．５秒である。

例えば、動的触覚力は、１Ｈｚから１０００Ｈｚの間の周波数で変化する。１Ｈｚから１０００Ｈｚの間の周波数で触覚力を検出することで、検出面に沿って滑る物体の表面特性を検出できるという利点がある。

特に、動的触覚力は、４０Ｈｚから４００Ｈｚの周波数で変化する。４０Ｈｚから４００Ｈｚの間の周波数で動的触覚力を検出することで、検出面に沿って滑る物体を検出することができるという利点がある。

チップは、分類スキームを有するメモリを備える。分類スキームは、複数の応力センサの出力値のセットを、予め定義された負荷パターンに割り当てる。

分類スキームは、機械学習アルゴリズムによって生成される。機械学習アルゴリズムの出力は分類スキームであり、決定木アンサンブルアルゴリズムであってもよい。特に、分類スキームは、ランダムフォレストアルゴリズムである。

更に、分類スキームの生成方法が規定される。本方法では、特に、ここで論じられている触覚センサの分類スキームを作成できる。従って、触覚センサのために開示されたすべての特徴は、方法のためにも開示され、その逆もまた同様である。

例えば、決定木アンサンブルの学習とも呼ばれる以下のａ）～ｃ）のステップを実行することで、分類スキームを得ることができる。

ａ）負荷パターンのクラスを予め定義する。負荷パターンのクラスを予め定義することで、どのような負荷パターンを触覚センサにより検出できるかを予め定義できる。負荷パターンの異なるクラスは、検出面に沿って滑るもの、検出面で跳ね返るもの、検出面に押し付けられるものとして区別され得る。更に、負荷パターンの異なるクラスは、物体の材質、物体の表面特性、検出面に沿って滑る物体の速度、検出面に対する物体の圧力のパラメータによって区別され得る。

ｂ）基準となる触覚センサを用いて、負荷パターンの予め定義されたクラス毎に、代表的な測定を複数回行う。例えば、負荷パターンの予め定義された各クラスを、少なくとも１００回、好ましくは少なくとも３００回測定する。この測定では、各応力センサは、負荷パターンが印加される負荷パターンに応じて出力値を提供する。応力センサの出力値は、電圧値又は電流値であってよく、電圧又は電流は、各センサがそれぞれ感知した応力の量に依存する。

ｃ）負荷パターンの予め定義された各クラスに出力値のセットをそれぞれ割り当てることにより、決定木アンサンブルを定義する。この文脈において、出力値のセットとは、負荷パターンに応じた複数の応力センサの全ての出力値全体である。代表的な測定を複数回行った後、負荷パターンのクラス毎に出力値の複数のセットを割り当てる。

触覚センサによる複数回の代表的な測定によって得られた分類スキームは、触覚センサのメモリにロードされる。この分類スキームにより、ある負荷パターンに起因する出力値のセットを、負荷パターンの予め定義されたクラスの何れかに割り当てることができる。その結果、負荷パターンの予め定義されたクラスが、触覚センサによって検出される。

特に、静的触覚力と動的触覚力から生じる負荷パターンの種別の分類スキームは、同じ方法と同じ設定によって生成される。

更に、触覚センサの動作方法について規定される。この方法では、特に、ここで説明した触覚センサを製造することができる。従って、触覚センサについて開示されているすべての特徴は、方法についても開示されており、その逆もまた同様である。

検出面を有する接触体、複数の応力センサ、及びチップを含む触覚センサの動作方法は、以下の方法ステップを含む。

－接触体の検出面に負荷パターンを印加する。
－複数の応力センサにより、負荷パターンを出力値のセットに変換する。
－チップと分類スキームによって、負荷パターンの予め定義されたクラスに出力値を割り当てる。

例えば、検出面は、接触体の１つ又は複数の面である。特に、検出面は自由にアクセス可能である。従って、物体は接触体に直接接触することができる。

負荷パターンは、検出面に直接接触する物体によって生じてもよい。負荷パターンは、動的触覚力であってもよいし、静的触覚力であってもよく、接触体を介して複数の応力センサに伝達される。複数の応力センサは、それぞれ負荷パターンに応じて出力値を返す。

負荷パターンに応じて返される出力値全体が、出力値のセットとなる。出力値のセットは、決定木アンサンブルによって、予め定義された負荷パターンのクラスのうちの１つに割り当てられてもよい。触覚センサは、出力値が割り当てられた予め定義された負荷パターンのクラスを、検出されたものとして返してもよい。

負荷パターンは、静的触覚力及び／又は動的触覚力によって検出面上に生じる。検出面上の静的触覚力と動的触覚力は、同じ分類スキームによって分類される。特に、負荷パターンは、動的及び静的触覚力の混合から構成される。動的及び静的触覚力の両方が、同じ複数の応力センサと同じ分類スキームにより分類される。特に、負荷パターンは、出力値のスペクトル分析を行うことなく、検出され分類される。

触覚センサ及び触覚センサの動作方法の更なる利点及び有利な実施形態及び更なる開発は、図と共に例示される以下の例示的な実施形態から明らかになる。

触覚センサとチップの例示的な実施形態を示す。 触覚センサの製造方法の例示的な実施形態を示す。 触覚センサに使用されるチップの例示的な実施形態及び概略的な実施形態を示す。 触覚センサに使用されるチップの例示的な実施形態及び概略的な実施形態を示す。 触覚センサに使用される応力センサの例示的な実施形態である。 触覚センサに使用される応力センサの例示的な実施形態である。 負荷パターンが印加された触覚センサの例示的な実施形態である。 負荷パターンが印加された触覚センサの例示的な実施形態である。 応力センサの出力値の散布図である。 応力センサの出力値の散布図である。 負荷パターンが印加された触覚センサの例示的な実施形態である。 静的触覚力と動的触覚力による負荷パターンに対応した例示的な応力センサの出力値の散布図である。 応力センサの出力値と、その出力値から得られる分類を示す。 チップ表面に関する例示的な出力値のセットの３Ｄ－プロット図である。 チップ表面に関する例示的な出力値のセットの３Ｄ－プロット図である。 分類スキームを生成するための例示的な測定装置を示す。 異なる負荷パターンに対する単一の応力センサの例示的な出力値である。 触覚センサに利用される決定木アンサンブルの例示的な実装スキームである。 触覚センサに利用される決定木アンサンブルの例示的な実装スキームである。 触覚センサに利用される決定木アンサンブルの例示的な実装スキームである。

図中、同一、類似又は同等の要素には同一の参照符号が付される。図及び図に示された要素の比率は、単位が明示されている場合を除き、縮尺を考慮する必要はない。一方、個々の要素の大きさが誇張して表現されることで、より良い表現及び／又は分かりやすさが実現される。

図１は、触覚センサ１及び触覚センサ１に利用されるチップ１０の例示的な実施形態を示す。触覚センサ１は、チップ１０が埋め込まれた接触体２００により構成される。マウント２０１は、フレックスケーブルによってチップ１０との電気的な接続を可能とする。本例示的な実施形態では、マウント２０１は接触体２００に埋め込まれている。

チップ１０は、複数の応力センサ１００．１、１００．２、１００．３、１００．４から構成される。チップ１０は、３２個の応力センサと、必要な読み出し回路から構成されている。チップは、電源供給とシリアル通信のために、フレキシブルフラットケーブルに接着されている。チップはコンパクトで扱いやすい。

触覚センサ１を形成するために、チップ１０はシリコーン（ＰＤＭＳ）製の接触体２００に埋め込まれる。接触体２００は、指先の形状をしている。チップには追加の電子部品や配線が必要ないという利点がある。

接触体２００、特に検出面２００ａにかかる負荷パターンが接触体を変形させ、チップ１０に応力プロファイルを誘発させる。３２個の応力センサ１００は、チップ領域上に分布しており、チップ内の応力分布を測定することが可能である。応力プロファイルは、負荷パターンの方向及び強さに固有である。

負荷パターンは、物体３００が検出面２００ａに沿って滑ることによって生じる動的触覚力である可能性がある。触覚センサ１は、最大４００Ｈｚの振動を測定することが可能であり、このような負荷パターンを検出するために極めて重要である。従って、触覚センサ１は、十分な帯域幅を保証するために、少なくとも９６０Ｈｚのサンプルレートを有する。チップ全体の応力分布を測定するため、３２個の応力センサをすべて読み取ることになり、サンプルレートは３０Ｈｚに低下する。応力センサはシリアルに読み取られるため、振動はやはり９６０Ｈｚでサンプリングされる。従って、応力センサ１００毎のサンプルレートは、触覚センサ１毎のサンプルレートをチップ１０毎の応力センサ１００の数で割ったものに相当する。

振動は、チップ１０の面上の複数箇所で記録される。測定される振動の波長がチップ１０上の応力センサ１００の距離よりはるかに大きい限り、チップ１０上の応力センサ１００の空間分布は、測定に無視できる程の影響しか及ぼさない。例えば、チップ１０上の応力センサ１００の最大距離は、測定する振動の波長よりも少なくとも１００倍、好ましくは少なくとも１０００倍、非常に好ましくは少なくとも１０００００倍小さい。

図２は、触覚センサ１の例示的な製造方法を示す。第１の方法ステップにおいて、金型２０３に第１シリコーン層が充填される。金型２０３に面するシリコーン層の底面が、触覚センサ１の検出面２００ａとなる。

第２のステップでは、チップ１０を第１シリコーン層の上、つまり金型２０３から離れる方向に面する側に平らに置く。シリコーンは、チップを固定するのに十分な粘性を有する。

第３の方法ステップでは、マウント２０１が金型２０３に固定される。

第４の方法ステップでは、金型にシリコーン材料を充填し、接触体２００を完成させる。この方法ステップでは、チップ１０は、接触体２００に完全に埋め込まれる。マウント２０１は、接触体２００に部分的に埋め込まれる。

第５の方法ステップでは、接触体２００を２ｂａｒの圧力と６０℃で硬化させる。接触体２００は、ＰＤＭＳ（Ｄｏｗｓｉｌ ３１４０）で作られる。ＰＤＭＳ材料は、複数の応力センサ１００と接触体２００との間の緊密な機械的結合を好適に提供する。

第６の方法ステップにおいて、金型２０３は接触体２００から取り外される。金型２０３の除去後、検出面２００ａは自由にアクセス可能である。

図３Ａ及び３Ｂは、触覚センサ１に利用される例示的なチップ１０の上面図及び概略図である。このチップは、０．３５μｍプロセスで製造される。チップ１０は、面内せん断応力と、面内法線応力の差とを測定するための２４個のトランジスタ式応力センサ１００が、チップ領域に戦略的に配置されることで構成されている。応力センサの信号は、利得可変差動増幅器で処理され、１０ビットＳＡＲ ＡＤＣでデジタル化される。チップ１０は、最大利得で１１ｋＰａまでの分解能を持つ。

２４個の応力センサ１００は、５ビットのマルチプレクサ（ＭＵＸ）により、読み出しユニットに連続的に接続されている。処理された応力センサ１００は、追加のマルチプレクサによって４方向にバイアスをかけることができ、応力センサのホイートストンブリッジアーキテクチャによるオフセット補償動作が可能になる。利得可変差動増幅器（ＤＤＡ）と１０ビット逐次比較型（ＳＡＲ）アナログ／デジタルコンバータ（ＡＤＣ）により、応力センサの読み出しが行われる。

図３Ａに示すように、チップ１０は、面積が２×２．５ｍｍ^２の領域を有する。

図３Ｂに示す応力センサ１００の読み出しは、可変利得差動増幅器（ＤＤＡ）に続き、ＳＡＲ ＡＤＣとゲインコントローラ（ＧＣ）で構成される。ゲインコントローラは、応力センサのデジタル化された出力値に基づき、線形ＤＤＡ出力範囲に対する最大の理想ゲイン値を二分探索木により決定する。

ＤＤＡのアーキテクチャは、応力センサ用に１つの差動入力ペアを提供し、フィードバック用に別のペアを提供する。従って、応力センサ接続用の高オーミックインターフェースが提供され、ゲイン変動中のフィードバックパスのインピーダンス変動が、読み出し中の応力センサの負荷インピーダンスに影響を与えることはない。

図４Ａ及び４Ｂは、応力センサ１００の上面図である。応力センサの各々は、四角い能動素子を形成し、ホイートストンブリッジ配置の４つのトランジスタによって表される。方向は、チップ１０の端部に平行な座標系（ｘ，ｙ）で示される。ドーピング極性は、ＭＯＳ反転層のピエゾ抵抗係数に強い影響を与える。例えば、Π_４４は、ｎ型シリコンよりもｐ型シリコンで１０倍高くなり、Π_１２は、ｐ型シリコンよりもｎ型シリコンで５０倍近く高くなる。そこで、面内せん断応力は、（ｘ，ｙ）に対して４５°回転させたＮＭＯＳ型応力センサ１００で測定する。ＰＭＯＳ型応力センサは、座標系に平行に配置する。このように、ＰＭＯＳ型応力センサは、面内法線応力の違いに敏感である。各応力センサ内の４つのトランジスタは、いずれもＷ／Ｌ比が５μｍ/１０μｍである。これらの寸法は、４つの主要なセンサ特性の間の良好な妥協点を表す。

各ＮＭＯＳ応力センサは、そのトランジスタの共通のゲートをドレイン電圧に接続することで活性化する。各ＰＭＯＳ応力センサは、そのトランジスタの共通のゲートをソース電圧に接続することで活性化する。このように、処理されたセンサのみが一時的に活性化されるため、システム全体の消費電力を低減できる。

図５及び６は、例示的な実施形態による触覚センサ１の概略的な側面図及び上面図である。触覚センサ１は検出面２００ａから構成され、検出面２００ａは物体３００に直接接触する。物体３００と触覚センサ１との間の垂直方向の静的触覚力ＦＳ０、前方向の静的触覚力ＦＳ１、後方向の静的触覚力ＦＳ２、横方向の静的触覚力ＦＳ４、ＦＳ３は、検出可能な負荷パターンである。

図７、８は、４つの応力センサの異なる方向の静的触覚力による負荷パターンを散布図として測定した結果を示す。この測定では、測定された出力値のセットを負荷パターンの予め定義されたクラスに割り当てるために、クラスデータが利用される。散布図の各点は散布サンプルを表し、割り当てられた負荷クラスによって色分けされている。

「ｎｏ ｃｏｎｔａｃｔ」と表示された参照データは、物体３００と接触体２００とが機械的に接触していない状態で収集されたものである。純粋な垂直の静的触覚力のデータはＦＳ０と表される。垂直な静的触覚力に加えて、触覚センサ１の下で物体３００を徐々に移動させることにより、接線方向の静的な力が加えられる。データには、図５、６で示される方向に従い、ＦＳ１、ＦＳ２、ＦＳ３、ＦＳ４が付されている。

分類スキーム、特に決定木アンサンブルは、接触を検出し、異なる方向のせん断力によって生じる負荷パターンを分類するために学習される。

応力センサによっては、負荷パターンのいくつかのクラスで応力センサの出力値が同じになる場合がある。しかし、出力値全体、つまり出力値のセットは、異なる負荷パターンとして区別可能である。この分類スキームでは、出力値のセット全体を考慮することによって、印加された負荷パターンを負荷パターンの予め定義されたクラスに確実に割り当てることができる。学習されたランダムフォレストアルゴリズムは、９９．８％の精度で負荷パターンを正しいクラスに割り当てることができる。

更に、図９に示すように、触覚センサ１がその検出面２００ａを物体３００に沿って滑らせたときの負荷パターンのクラスが定義されてもよい。検出面２００ａは、複数の平行な稜線を有する表面構造を有していてもよい。この稜線は、物体３００が検出面２００ａに沿って滑る場合に、接触体２００の振動を生じさせる。この振動を検出することで、静的触覚力と動的触覚力を区別できる。

チップ１０の単一の応力センサによって９６０Ｈｚのサンプルレートで振動を測定することにより、振動全体が接触体によって減衰することを排除できる。図１５は、３つの状態Ａ、Ｂ、Ｃでのセンサ出力を示している。状態Ａでは、触覚センサ１は物体３００に対して相対的に移動しない。しかし、状態Ａでは、検出面に対して垂直な静的触覚力のみ存在する。状態Ｂでは、物体３００が検出面２００ａに沿って滑るまで接線方向の力が増加される。状態Ｃでは、物体３００が検出面２００ａに沿って１０ｍｍ／ｓで滑り、応力センサ１００の出力値を振動させる。そのため、１つのセンサの出力値をスペクトル解析することで、動的触覚力を簡単に検出できる。

複数の応力センサ１００、特に３２個すべての応力センサの出力を解析することで、スペクトル解析を行わずに、静的触覚力と動的触覚力の両方の負荷パターンを検出してもよい。図１０は、最も重要な２つの応力センサ１００の散布図として、完全な分類スキームを示したものである。散布図の各ポイントは、１つのセンサのサンプルを表し、それぞれの出力値に割り当てられた予め定義された負荷クラスによって色分けされている。ランダムフォレスト分類アルゴリズムは、少なくとも５０本の木と無制約の木の成長により学習される。５分割交差検証の結果、合計９９．６％の精度を達成した。各クラスの負荷パターンの真陽性率は９８％以上である。

静的触覚力と動的触覚力に対する出力値のセットが重ならないようなセンサの次元は存在しない。このように、１つ又は２つの応力センサによって負荷パターンを確実に分類することは、容易ではない。動的触覚力は、複数の応力センサの出力値の関係によってのみ分類されてもよい。

図１２は、静的触覚力時のチップ１０表面上の応力センサ１００の出力値を負荷パターンとして可視化した３次元プロットである。図１３は、動的触覚力時のチップ１０表面上の応力センサ１００の出力値を負荷パターンとして可視化した３次元プロットである。この可視化では、データにハイパスフィルターをかけ、方向性のある静的な力によるオフセットパターンを抑制している。静的プロットにおける平面からのずれは、センサノイズによるものである。したがって、静的触覚力は良好に定義された応力パターンを導き、滑りサンプルの歪んだパターンと区別できる。学習により、分類アルゴリズムは、これらのパターンを２つの異なるクラスの負荷パターンとして区別することを学習してもよく、これにより、動的触覚力と静的触覚力は、同じアルゴリズムによって検出できるようになる。

図１１は、分類を視覚的に検証するために、複数の応力センサ１００による時間領域の計測を示したものである。純粋な垂直方向の静的触覚力ＦＳ０、接線方向の静的触覚力ＦＳ１又はＦＳ２、前方向の動的触覚力ＦＤ１の負荷パターンにおける４つの応力センサの出力値が示されている。測定における順序は、測定開始時の２．５秒間において純粋な垂直方向の力、測定の４．７秒まで静的な前方向の力が増加され、６．８秒まで検出面２００ａに沿って物体が滑り、９．５秒までで滑り動作が停止され、再び検出面２００ａに沿った物体の滑り動作が開始されている。又、このプロットは、各センササンプルに対する分類結果を示している。

滑り動作をする時、必ず接触体２００に振動が発生する。その振動により、応力センサの信号が振動する。分類スキームは、滑り動作の負荷パターンをほぼ正しく検出して正しく分類でき、滑り動作に対して非常に高速に反応する。

図１４は、分類スキームを生成するための装置である。この装置は、触覚センサ１が取り付けられる分類マウント２０２からなる。分類マウント２０２によって、触覚センサは、定義可能な垂直方向の触覚力ＦＳ０で物体３００に押しつけられる。対象物３００は、異なる表面パターンを有する３Ｄプリンティングされた板である。表面の模様は、滑らかなもの、隆起したもの、円形、三角形等にできる。表面パターンにより、表面から分類スキームを一般化できる。そうでなければ、分類アルゴリズムは、特定の１つの表面構造のみを持つ物体の負荷パターンを分類することに限定されてしまう。対象物３００は、Ｘ－Ｙクロステーブルに搭載される。物体３００は、ステッピングモータによって検出面２００ａに対して平行に移動させることができる。段差は、触覚センサを対象物の上で滑らせることなく、接線方向の力を徐々に増加させることができる程度の細かさである。ステッピングモータは、最大１０ｍｍ／ｓでテーブルを加速・移動させ、滑りを発生させることができる。検出面に加わる接線方向の力は、検証センサ５により記録される。

分類スキームを生成する際には、予め定義された負荷パターンを触覚センサ１に印加し、対応する出力値を負荷パターンの予め定義されたクラスに割り当てる。このような測定を複数回繰り返すことで、信頼性の高い決定木アンサンブルを生成する。

図１６Ａは、学習後の単一の決定木の例である。この文脈において、学習とは、予め定義された負荷パターンを測定し、対応する出力値を負荷パターンのクラスに割り当てることである。ノードの特徴量ｆ_ｉと閾値ｔ_ｉ、葉のクラスラベルＣ_ｉ、木構造全体は学習中に変化する。触覚センサ１のこの文脈において、応力センサ１００．１、１００．２、１００．３、１００．４は、特徴量ｆ_１、ｆ_２、f_３、ｆ_４に、閾値ｔ_ｉは応力センサ１００の出力値に、クラスＣ_ｉは負荷パターンの予め定義されたクラスに対応する。

図１６Ｂは、並列アーキテクチャの一部で静的な実装を行ったものである。決定木を継続的に学習させるためには、木構造は再構成可能なままでなければならない。

図１６Ｃに示すように、ツリー構造は、ＦＰＧＡで一般的に使用される再構成可能なカウンタ部品によって実装されてもよい。ノードへの特徴量の割り当ては、特徴量の入力を適切なノードコンパレータに配線するスイッチングネットワーク及び相互接続ネットワークによって実現される。木構造を符号化し、葉の出力を計算するブール関数は、ＦＰＧＡの論理ブロックで使用されているルックアップテーブル（ＬＵＴ）に置き換えられている。コンパレータだけは固定で、その閾値はレジスタに格納される必要がある。これにより、決定木の更新をサポートするアーキテクチャが実現される。

決定木アンサンブルの完全な実装は、スイッチングブロックと相互接続ブロックからなり、アンサンブルにまたがり、木々の間でコンパレータを共有することができる。特に、決定木アンサンブルの木は、異なるサイズを持っていてもよい。

本発明は、これらの実施形態に基づく記載によって限定されるものではない。むしろ、本発明は、任意の新規な特徴だけでなく、特徴の任意の組み合わせを包含し、特に、この特徴又は組み合わせ自体が特許請求の範囲又は例示的な実施形態に明示されていなくても、請求項に記載の特徴の任意の組み合わせを包含する。

１：触覚センサ
１０：チップ
１００：応力センサ
１００．１：第１応力センサ
１００．２：第２応力センサ
１００．３：第３応力センサ
１００．４：第４応力センサ
１１１：分類スキーム
１０１：出力値のセット
１１０：メモリ
２００：接触体
２０１：マウント
２０２：分類マウント
２０３：モールド
２００ａ：検出面
３００：対象物
５：検証用センサ
ＦＳ：静的触覚力
ＦＳ０：上方向の静的触覚力
ＦＳ１：前方向の静的触覚力
ＦＳ２：後方向の静的触覚力
ＦＳ３：右方向の静的触覚力
ＦＳ４：左方向の静的触覚力
ＦＤ：動的触覚力
ＦＤ１：前方向の動的触覚力
ＦＤ２：後方向の動的触覚力

Claims (10)

1. 複数の応力センサ（１００）と、
   少なくとも１つの接触体（２００）と、を備え、
   前記応力センサ（１００）は、前記接触体の検出面（２００ａ）に印加された負荷パターンを検出するように設定されたことを特徴とする触覚センサ。
2. 前記負荷パターンは、静的触覚力（ＦＳ）及び／又は動的触覚力（ＦＤ）からなり、
   前記動的触覚力（ＦＤ）は、１Ｈｚ以上１０００Ｈｚ以下の周波数で変化することを特徴とする請求項１に記載の触覚センサ（１）。
3. 前記応力センサ（１００）がチップ（１０）に統合されていることを特徴とする請求項１又は２に記載の触覚センサ（１）。
4. 前記チップ（１０）は、分類スキーム（１１１）を含むメモリ（１１０）を備え、
   前記分類スキーム（１１１）は、前記複数の応力センサ（１００）の出力値（１０１）のセットを、予め定義された負荷パターンに割り当てることを特徴とする請求項３に記載の触覚センサ（１）。
5. 前記分類スキーム（１１１）が、機械学習アルゴリズムによって生成されることを特徴とする請求項４に記載の触覚センサ（１）。
6. 検出面（２００ａ）を有する接触体（２００）と、複数の応力センサ（１００）と、チップ（１０）とを備える触覚センサ（１）の動作方法であって、
   －前記接触体（２００）の前記検出面（２００ａ）に負荷パターンが印加され、
   －前記応力センサ（１００）は、前記応力センサによって、前記負荷パターンを出力値（１０１）のセットに変換し、
   －チップ（１０）は、チップ（１０）と分類スキーム（１１１）とにより、出力値（１０１）を前記負荷パターンの予め定義されたクラスに割り当てる
   ことを特徴とする、触覚センサの動作方法。
7. 前記検出面上の静的触覚力及び動的触覚力から生じる負荷パターンが、同じ前記分類スキームによって分類されることを特徴とする請求項６に記載の方法。
8. 前記動的触覚力は、出力値（１０１）のスペクトル分析なしで分類されることを特徴とする請求項７に記載の方法。
9. ａ）負荷パターンのクラスを予め定義し、
   ｂ）基準となる触覚センサを用いて、負荷パターンの予め定義された各クラスの代表的な測定を複数回行い、
   ｃ）出力値のセットを、負荷パターンの予め定義された各クラスにそれぞれ割り当てることによって、決定木アンサンブルを定義する
   ことを特徴とする、分類スキームを生成する方法。
10. 静的触覚力及び動的触覚力から生じる負荷パターンを分類するための分類スキームが生成されることを特徴とする請求項９に記載の方法。
    
    
    

Images