KR20230109751A - 힘들을 감지하기 위한 센서 배열체 및 센서 배열체를 제조하기 위한 방법 - Google Patents

힘들을 감지하기 위한 센서 배열체 및 센서 배열체를 제조하기 위한 방법 Download PDF

Info

Publication number
KR20230109751A
KR20230109751A KR1020237021457A KR20237021457A KR20230109751A KR 20230109751 A KR20230109751 A KR 20230109751A KR 1020237021457 A KR1020237021457 A KR 1020237021457A KR 20237021457 A KR20237021457 A KR 20237021457A KR 20230109751 A KR20230109751 A KR 20230109751A
Authority
KR
South Korea
Prior art keywords
force
sensor arrangement
circuit board
flexible circuit
pressure sensors
Prior art date
Application number
KR1020237021457A
Other languages
English (en)
Inventor
아담 슈피어스
효상 이
게오르크 마르티우스
환보 순
요나탄 핀네
우현 서
Original Assignee
막스-플랑크-게젤샤프트 츄어 푀르더룽 데어 비쎈샤프텐 에.파우.
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 막스-플랑크-게젤샤프트 츄어 푀르더룽 데어 비쎈샤프텐 에.파우. filed Critical 막스-플랑크-게젤샤프트 츄어 푀르더룽 데어 비쎈샤프텐 에.파우.
Publication of KR20230109751A publication Critical patent/KR20230109751A/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/16—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring several components of force
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/0061—Force sensors associated with industrial machines or actuators
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/0061—Force sensors associated with industrial machines or actuators
    • G01L5/0076—Force sensors associated with manufacturing machines
    • G01L5/009—Force sensors associated with material gripping devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
    • G01L5/22—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring the force applied to control members, e.g. control members of vehicles, triggers
    • G01L5/226—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes for measuring the force applied to control members, e.g. control members of vehicles, triggers to manipulators, e.g. the force due to gripping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y80/00—Products made by additive manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)

Abstract

본 발명은 힘들을 감지하기 위한 센서 배열체에 관한 것으로, 상기 센서 배열체는 연성 회로 기판, 다수의 기압 센서들, 강성 코어, 및 기압 센서들을 커버하고 측정 표면을 제공하는 컴플라이언트 층을 포함한다. 본 발명은 추가로, 이러한 센서 배열체를 제조하기 위한 방법에 관한 것이다.

Description

힘들을 감지하기 위한 센서 배열체 및 센서 배열체를 제조하기 위한 방법
본 발명은 힘(force)들을 감지하기 위한 센서 배열체, 및 힘들을 감지하기 위한 센서 배열체를 제조하기 위한 방법에 관한 것이다.
로봇들과 같은 애플리케이션들을 개발할 때, 로봇 핸드 또는 다리와 같은 로봇의 다른 부분 또는 조작 디바이스에 가해지는 힘들의 감지는 로봇들에게 객체들을 움직이고 그리고/또는 조작하기 위한 증가된 능력들을 제공하는데 중요하다. 가해진 힘들에 관한 피드백을 갖기 위해 로봇 응용들에서 사용될 수 있는 센서 배열체들에 대한 공지된 구현들은 상당히 고가이고 충분한 분해능을 갖지 않는다.
따라서, 본 발명의 목적은 종래 기술과 관련하여 상이하거나 최적화된, 힘들을 감지하기 위한 센서 배열체를 제공하는 것이다. 본 발명의 다른 목적은 이러한 센서 배열체를 제조하기 위한 방법을 제공하는 것이다.
상기 목적들은 주요 청구항들의 주제로 달성된다. 바람직한 실시예들은 예를 들어, 종속항들로부터 도출될 수 있다. 상세 설명의 내용은 명시적 참조에 의해 청구항들의 내용으로 이루어진다.
본 발명은 힘들을 감지하기 위한 센서 배열체에 관한 것이다. 센서 배열체는 연성(flexible) 회로 기판을 포함한다. 센서 배열체는, 연성 회로 기판 상에 장착되는 다수의 기압(barometric pressure) 센서들을 포함한다. 센서 배열체는 강성 코어(rigid core)를 포함하고, 연성 회로 기판이 강성 코어를 적어도 부분적으로 커버하며 기압 센서들이 강성 코어로부터 돌출되도록 상기 강성 코어에 연성 회로 기판이 감싸서 장착된다. 센서 배열체는, 기압 센서들을 커버하고 측정 표면을 제공하는 컴플라이언트 층(compliant layer)을 더 포함한다.
이러한 센서 배열체는 낮은 비용으로 제조될 수 있고 높은 분해능을 제공한다.
연성 회로 기판은 단독으로 취해질 때, 특히 강성 코어 상에 장착되기 전에, 연성인 것으로 이해되어야 한다. 이러한 연성 회로 기판은 제조가 용이하고 취급이 용이하며, 이는 노력과 비용을 절감할 수 있게 한다. 기압 센서들은 많은 산업 또는 과학 응용들에서 사용되는 바와 같은 표준 타입일 수 있다. 따라서, 이들은 아주 저렴하다. 기압 센서들은 보통 기압 센서에 가해지는 힘에 의존하는, 예를 들어 비례하는, 출력 신호, 즉 압력 값을 제공한다. 이는 기압 센서의 정의로 볼 수 있다. 일반적으로, 임의의 압력 센서가 사용될 수 있다.
강성 코어는 통상적으로는 강성 재료, 예를 들어 플라스틱 재료 또는 금속으로 제조된다. 이는, 특히 힘이 가해질 때, 센서 배열체의 안정성을 제공한다. 따라서, 컴플라이언트 층은 가해진 힘에 응답하여 변형될 수도 있는 반면, 강성 코어는 힘을 흡수하고 변형가능하지 않은 기준을 제공한다.
연성 회로 기판이 강성 코어를 적어도 부분적으로 커버하는 특징은 통상적으로 강성 코어의 적어도 일부가 연성 회로 기판에 의해 커버되는 것을 의미한다. 전형적으로, 강성 코어는 연성 회로 기판에 의해 커버되기 위해 의도된 표면을 가질 수도 있고, 연성 회로 기판은 이 표면을 부분적으로 또는 완전히 커버할 수도 있다. 따라서, 연성 회로 기판은 강성 코어의 표면의 일부를 커버하지 않은 채로 둘 수도 있다.
연성 회로 기판의 연성은 전형적으로는, 그것이 분리된 상태, 특히 강성 코어에 아직 장착되지 않은 상태에서 쉽게 구부러질 수 있다는 것을 의미한다. 예를 들어, 연성 회로 기판은 분리된 상태에서 고무 또는 천 조각같이 거동할 수 있다.
연성 회로 기판은 특히, 글루(glue)를 사용하거나 나사로 죄어짐(screwed)으로써 강성 코어에 장착될 수도 있다. 그러나, 연성 회로 기판을 강성 코어에 장착하는 다른 수단이 또한 사용될 수도 있다.
전형적으로 기압 센서들은, 연성 회로 기판이 강성 코어 상에 장착되기 전에 연성 회로 기판 상에 이미 장착된다.
연성 회로 기판은 다수의 도체(conductor) 경로들, 예를 들어 기압 센서들이 전력 공급받을 수 있고 그리고/또는 판독(read out)될 수 있도록 이들을 연결하는 전기 라인들을 포함할 수 있다. 연성 회로 기판의 사용은 개별적으로 형상화된 강성 코어 상에 장착되는 이러한 기압 센서에 대한 전력 공급 및/또는 판독 능력을 제공하기 위한 매우 효율적인 방법인데, 이는 연성 회로 기판 상의 전기 라인들이 임의의 요구되는 형상에 자동으로 적응하기 때문이다.
컴플라이언트 층은 특히, 측정 표면에 가해지는 힘에 응답하여 변형가능한 층이다. 이러한 변형은 외력 또는 인덴터(indenter)의 형상들 또는 전단력(shear force)들 같은 다른 파라미터들에 특징적이다. 컴플라이언트 층은 특히 연성이고/이거나 탄성(resilient)일 수도 있어서, 힘의 인가(application)가 중단된 후에 자동으로 정의된 형상으로 회복한다. 측정 표면에 가해진 힘은 전형적으로는 컴플라이언트 층에 의해 기압 센서들로 전달되는데, 특히 측정 표면에 가해진 전형적인 힘들에 대해 복수의 기압 센서들이 힘에 의해 영향을 받는 방식으로 계전(relay)된다. 따라서, 기압 센서들이 종래 기술에 공지된 고분해능 센서들보다 훨씬 넓게 이격되더라도 힘들의 검출을 위한 매우 높은 분해능이 가능하다. 이는 특히, 예를 들어 본 출원에서 설명된 바와 같이, 예를 들어 머신 러닝 및/또는 인공 뉴럴 네트워크들에 기초하여, 보다 정교한 힘 추론(force inference) 기법들이 사용될 수 있다는 사실에 기인한다. 특히, 하나의 단일 컴플라이언트 층은 모든 기압 센서들을 커버할 수도 있다.
실시예에 따르면, 강성 코어는 돔(dome) 형상이다. 이는 센서 배열체가 로봇의 팁(tip) 또는 다른 조작 요소일 때 특히 적합할 수 있다. 그러나, 또한 다른 형상들이 사용될 수 있다. 예를 들어, 센서 배열체는 로봇용 발 센서, 정강이 센서, 허벅지 센서, 또는 가슴 센서를 설계하기 위해 적응될 수 있다. 강성 코어의 형상은 그에 따라 적응될 수 있다. 예를 들어, 편평한 평면, 원통의 형상을 가질 수 있거나, 랜덤한 형상일 수 있다. 전형적으로, 형상은 접촉력이 다수의 기압 센서들을 동시에 활성화시킬 수 있도록 설계되며, 이에 의해 힘이 로컬화될 수 있다.
강성 코어는 특히 복수의 패싯(facet)들을 가질 수도 있다. 구현예에 따르면, 각각의 기압 센서 또는 기압 센서들의 적어도 일부는 복수의 패싯들 중 적어도 하나 상에 포지셔닝된다. 따라서, 각각의 기압 센서의 배향은 기압 센서가 포지셔닝되는 각각의 패싯의 배향에 의해 정의될 수도 있다. 이는, 1 개보다 많은 기압 센서가 각각의 패싯 상에 배열될 수도 있음을 배제하지 않는다. 기압 센서가 장착되지 않은 패싯들 또는 강성 코어의 표면의 다른 부분들이 있는 것이 또한 가능하다.
기압 센서들이 연성 회로 기판 상에 배치되지만, 연성 회로 기판은 전형적으로 강성 코어의 패싯들의 형상에 적응한다는 것이 유의되어야 한다. 따라서, 연성 회로 기판은 그 자체로 패싯들을 형성한다.
특히, 패싯들은 상이한 배향들을 가질 수 있어서, 상이한 배향들의 힘들의 측정이 수행될 수 있다.
컴플라이언트 층은 플라스틱 재료 또는 고무를 포함하거나 또는 이로 구성될 수도 있다. 플라스틱 재료는 예를 들어, 열가소성 수지(thermoplastic), 엘라스토머(elastomer), 열가소성 엘라스토머(thermoplastic elastomer), 또는 열경화성 수지(thermoset) 또는 유사한 재료일 수도 있다. 이러한 재료들은 전형적인 응용들에 적합한 것으로 입증되었다; 그러나, 또한 다른 재료들이 사용될 수 있다. 특히, 이들은 전술한 컴플라이언트 층의 제조 공정에서 사용될 수 있다.
컴플라이언트 층은 특히, 측정 표면에 가해지는 힘들을 기압 센서들의 적어도 일부에 계전할 수도 있다. 특히, 이는 적어도 측정 표면의 일부 또는 대부분에 대한, 1 개보다 많은 기압 센서에 힘들을 계전하도록 구성될 수도 있다. 이것은, 전자 힘 추론 기법들을 사용하여 힘들을 측정할 때 분해능의 향상을 허용한다.
기압 센서들은 특히 연성 회로 기판 상의 도체 경로들에 의해 연결될 수도 있다. 이들 도체 경로들은 특히, 연성 회로 기판이 감싸질 때 자동적으로 강성 코어의 표면에 적응하도록 연성일 수도 있다. 이러한 도체 경로들은, 기압 센서들의 신뢰성 있고 용이한 연결을 허용한다.
기압 센서들은 특히 연성 회로 기판 상의 도체 경로들에 의해 연결될 수도 있다. 이들 도체 경로들은 특히, 연성 회로 기판이 감싸질 때 자동적으로 강성 코어의 표면에 적응하도록 연성일 수도 있다. 이러한 도체 경로들은, 기압 센서들의 신뢰성 있고 용이한 연결을 허용한다.
연성 회로 기판은 특히 별표(asterisk) 형상일 수도 있다. 특히, 중앙부에서 연결되는 복수의 암(arm)들 또는 스포크(spoke)들을 포함할 수도 있다. 이는 특히, 예를 들어 첨부된 도면들로부터 알 수 있는 바와 같이, 돔 형상의 강성 코어 상에 연성 회로 기판을 감싸는 것을 허용한다.
기압 센서들은 적어도 1 mm, 적어도 2 mm, 적어도 3 mm, 적어도 4 mm, 또는 적어도 5 mm의 거리로 배열될 수도 있다. 이들은 또한 최대 1 mm, 최대 2 mm, 최대 3 mm, 최대 4 mm, 또는 최대 5 mm의 거리로 배열될 수도 있다. 거리는 기압 센서들의 외부 주변 환경들 사이에 측정될 수도 있다. 각각의 2 개의 상이한 값들은 적절한 간격들을 형성하기 위해 결합될 수 있다.
특히, 센서 배열체는 로봇 팁 및/또는 로봇의 조작 요소일 수도 있다. 이것은 바람직한 응용이지만, 센서 배열체는 또한 복수의 다른 응용들을 위해, 특히 힘이 측정되어야 할 때 및/또는 요소가 조작을 위해 사용되어야 할 때, 원칙적으로 사용될 수 있다는 것에 유의해야 한다. 조작은 특히, 예를 들어 센서 배열체와 동일할 수 있는 조작 요소가 조작될 아이템을 파지(grasp)하거나 포획할 수 있고 이 아이템을, 예를 들어 그의 포지션 또는 배향에 대해, 조작할 수 있다는 것을 의미한다. 이렇게 하는 동안, 센서 배열체를 사용하여 힘들이 측정될 수 있다.
일반적으로, 본 명세서에 개시된 바와 같은 센서 배열체는 기압 감지 기술을 신규한 조립(assembly) 방법들과 조합할 수도 있다고 말할 수 있다. 이는, 높은 레벨의 견고성을 갖고, 예를 들어, 3차원 돔 형상을 갖는 고분해능 촉각 센서를 생성하기 위해, 예를 들어 본 명세서에 개시된 바와 같은 머신 러닝 기법들과 추가로 조합될 수도 있다.
실시예에 따르면, 강성 코어는 3D 프린팅된 부분이다. 이는, 가변적이고 효율적인 제조를 허용한다. 그러나, 또한 다른 제조 방법들, 예를 들어 드릴링(drilling) 또는 몰딩(moulding)이 사용될 수 있다.
예를 들어, 적어도 5, 적어도 10, 적어도 15, 적어도 19, 적어도 20, 적어도 25, 적어도 30, 적어도 35, 또는 적어도 37 개의 기압 센서들이 사용될 수 있다. 이들은 돔 형상의 중앙 코어를 둘러쌀 수 있다. 센서들을 보호하는 연성 외부 표면을 제공하면서 로컬화된 압력 측정들을 또한 가능하게 하기 위해, 그러한 조립체는 재료, 예를 들어 우레탄으로 커버되는 몰드에 배치될 수도 있다. 전형적으로, 기압 센서들은 별개의 요소들이어서, 각각의 기압 센서는 이웃하는 기압 센서들과 시각적으로 및/또는 물리적으로 구별될 수 있다.
본 발명은 추가로, 힘들을 감지하기 위한 센서 배열체를 제조하기 위한 방법에 관한 것이다. 방법은 다음의 단계들을 포함한다:
- 다수의 기압 센서들이 장착된 연성 회로 기판을 제공하는 단계,
- 강성 코어를 제공하는 단계,
- 연성 회로 기판이 강성 코어를 적어도 부분적으로 커버하며 기압 센서들이 강성 코어로부터 돌출되도록, 강성 코어 상에 연성 회로 기판을 감싸서 장착하는 단계, 및
- 기압 센서들을 컴플라이언트 층으로 커버함으로써, 컴플라이언트 층 상에 측정 표면을 제공하는 단계.
이러한 방법은 특히, 전술한 바와 같은 센서 배열체를 제조하기 위해 사용될 수 있다. 센서 배열체에 관하여 주어진 모든 진술들은 또한 센서 배열체를 제조하기 위한 방법에 적용될 수 있다는 것에 유의해야 한다. 이러한 진술들이 기술적으로 적합한 한, 반대 방향도 마찬가지이다.
방법은 센서 배열체, 특히 본 발명에 따른 센서 배열체의 저렴하고 효율적인 제조를 제공한다.
구현예에 따르면, 기압 센서들은 방법이 시작될 때 이미 연성 회로 기판 상에 장착된다. 그러나, 대안적인 구현예에서, 연성 회로 기판 상에 기압 센서들을 장착하는 것은, 예를 들어 아래에서 추가로 설명되는 바와 같이, 방법의 일부일 수도 있다.
연성 회로 기판을 강성 코어 상에 장착하는 것은 예를 들어, 글루를 사용하거나, 나사들을 사용함으로써, 또는 강성 코어의 표면의 적어도 일부를 커버하도록 연성 회로 기판을 클램핑하거나 달리 체결함으로써 수행될 수 있다.
강성 코어로부터 돌출하는 기압 센서들로써, 측정 표면에 가해지는 힘들로부터 기원하는 기압 센서들에 대한 힘들의 인가가 개선될 수 있다. 특히, 이는 강성 코어가 연성 회로 기판의 일 표면과 접촉하고, 기압 센서들이 연성 회로 기판의 반대 표면 상에 장착되는 것을 의미한다.
컴플라이언트 층이 기압 센서들을 커버할 때, 그것은 또한 전형적으로 연성 회로 기판, 특히 기압 센서들 외부에 있는 연성 회로 기판의 부분들, 및 강성 코어의 적어도 일부를 커버한다. 특히 컴플라이언트 층은, 컴플라이언트 층에 의해서는 커버되지만 연성 회로 기판에 의해서는 커버되지 않는 표면 영역들에서 강성 코어와 직접 접촉할 수도 있다. 컴플라이언트 층으로 커버하는 것은 특히, 아래에 더 설명되는 바와 같이 행해질 수도 있다.
바람직하게는, 기압 센서들을 컴플라이언트 층으로 커버하는 단계는 다음 단계들을 포함한다:
- 연성 회로 기판을 갖는 강성 코어를 몰드에 배치하는 단계,
- 기압 센서들이 재료에 의해 커버되도록 몰드를 상기 재료로 적어도 부분적으로 충전하는 단계,
- 상기 재료를 컴플라이언트 층으로 변환시키는 단계.
컴플라이언트 층으로 커버하기 위한 그러한 방법은 용이하고 비용 효율적인 제조를 제공한다. 몰드는 특히 측정 표면의 최종 형상을 정의할 수도 있으며, 특히 컴플라이언트 층의 측정 표면이 몰드의 형상에 의해 정의되는 형상을 갖도록 정의할 수도 있다.
몰드는 재료로 부분적으로 충전될 수도 있거나, 또한 완전히 충전될 수도 있다. 이는, 강성 코어의 또는 강성 코어 상에 장착되는 연성 회로 기판의 어느 부분이 컴플라이언트 층에 의해 커버되어야 하는지에 의존한다. 특히, 몰드는 적어도 연성 회로 기판이 재료에 의해 완전히 커버될 정도의 양으로 재료로 충전될 수도 있다.
재료를 컴플라이언트 층으로 변환시키는 것은, 예를 들어 몰드에 쉽게 충전될 수 있는 유체이기 때문에 취급하기 용이한 재료가 사용될 수 있다는 것을 의미한다.
변환하는 단계는, 예를 들어, 다음 단계를 포함할 수도 있다:
- 상기 재료에 의해 커버된 연성 회로 기판을 갖는 강성 코어를 진공에 배치함으로써 상기 재료를 탈기(Degas)하는 단계.
따라서, 예를 들어 탈기되지 않은 상태에서는 유체이지만, 탈기된 상태에서는 컴플라이언트 층인 재료가 사용될 수 있다.
탈기하는 것은 특히 실온에서, 예를 들어 15 °C와 25 °C 사이 범위의 온도에서 수행되거나 시작할 수 있다. 진공 상태 동안, 온도는 그러한 값들에 비해 증가할 수도 있다.
그러나, 컴플라이언트 층을 형성하기 위한 다른 기법들이 또한 사용될 수 있다는 점에 유의해야 한다.
연성 회로 기판을 제공하는 단계는 다음 단계들 중 하나 또는 양자 모두를 포함할 수도 있다:
- 시트로부터 연성 회로 기판의 적어도 일부를 절단하는 단계,
- 연성 회로 기판 상에 기압 센서들을 배열 및 장착시키는 단계.
따라서, 기압 센서들을 갖는 연성 회로 기판의 준비는 방법의 일부가 될 수도 있다. 대안적인 실시예에서, 기압 센서들이 이미 장착된 연성 회로 기판이 사용될 수도 있다.
실시예에 따르면, 강성 코어는 돔(dome) 형상이다. 이는 센서 배열체가 로봇의 팁(tip) 또는 다른 조작 요소일 때 특히 적합할 수 있다. 그러나, 또한 다른 형상들이 사용될 수 있다. 예를 들어, 센서 배열체는 로봇용 발 센서, 정강이 센서, 허벅지 센서, 또는 가슴 센서를 설계하기 위해 적응될 수 있다. 강성 코어의 형상은 그에 따라 적응될 수 있다. 예를 들어, 편평한 평면, 원통 형상을 가질 수 있거나, 랜덤한 형상일 수 있다. 전형적으로, 형상은 접촉력이 다수의 기압 센서들을 동시에 활성화시킬 수 있도록 설계되며, 이에 의해 힘이 로컬화될 수 있다.
강성 코어는 특히 복수의 패싯들을 가질 수도 있다. 구현예에 따르면, 각각의 기압 센서 또는 기압 센서들의 적어도 일부는 복수의 패싯들 중 적어도 하나 상에 포지셔닝된다. 따라서, 각각의 기압 센서의 배향은 기압 센서가 포지셔닝되는 각각의 패싯의 배향에 의해 정의될 수도 있다. 이는, 1 개보다 많은 기압 센서가 각각의 패싯 상에 배열될 수도 있음을 배제하지 않는다. 기압 센서가 장착되지 않은 패싯들 또는 강성 코어의 표면의 다른 부분들이 있는 것이 또한 가능하다.
기압 센서들이 연성 회로 기판 상에 배치되지만, 연성 회로 기판은 전형적으로 강성 코어의 패싯들의 형상에 적응한다는 것이 유의되어야 한다. 따라서, 연성 회로 기판은 그 자체로 패싯들을 형성한다.
특히, 패싯들은 상이한 배향들을 가질 수 있어서, 상이한 배향들의 힘들의 측정이 수행될 수 있다.
컴플라이언트 층은 플라스틱 재료 또는 고무를 포함하거나 또는 이로 구성될 수도 있다. 플라스틱 재료는 예를 들어, 열가소성 수지, 엘라스토머, 열가소성 엘라스토머, 또는 열경화성 수지 또는 유사한 재료일 수도 있다. 이러한 재료들은 전형적인 응용들에 적합한 것으로 입증되었다; 그러나, 또한 다른 재료들이 사용될 수 있다. 특히, 이들은 전술한 컴플라이언트 층의 제조 공정에서 사용될 수 있다.
컴플라이언트 층은 특히, 측정 표면에 가해지는 힘들을 기압 센서들의 적어도 일부에 계전할 수도 있다. 특히, 이는 적어도 측정 표면의 일부 또는 대부분에 대한, 1 개보다 많은 기압 센서에 힘들을 계전하도록 구성될 수도 있다. 이것은, 전자 힘 추론 기법들을 사용하여 힘들을 측정할 때 분해능의 향상을 허용한다.
기압 센서들은 특히 연성 회로 기판 상의 도체 경로들에 의해 연결될 수도 있다. 이들 도체 경로들은 특히, 연성 회로 기판이 감싸질 때 자동적으로 강성 코어의 표면에 적응하도록 연성일 수도 있다. 이러한 도체 경로들은, 기압 센서들의 신뢰성 있고 용이한 연결을 허용한다.
연성 회로 기판은 특히 별표 형상일 수도 있다. 특히, 중앙부에서 연결되는 복수의 암들 또는 스포크들을 포함할 수도 있다. 이는 특히, 예를 들어 첨부된 도면들로부터 알 수 있는 바와 같이, 돔 형상의 강성 코어 상에 연성 회로 기판을 감싸는 것을 허용한다.
기압 센서들은 적어도 1 mm, 적어도 2 mm, 적어도 3 mm, 적어도 4 mm, 또는 적어도 5 mm의 거리로 배열될 수도 있다. 이들은 또한 최대 1 mm, 최대 2 mm, 최대 3 mm, 최대 4 mm, 또는 최대 5 mm의 거리로 배열될 수도 있다. 거리는 기압 센서들의 외부 주변 환경들 사이에 측정될 수도 있다. 각각의 2 개의 상이한 값들은 적절한 간격들을 형성하기 위해 결합될 수 있다.
특히, 센서 배열체는 로봇 팁 및/또는 로봇의 조작 요소일 수도 있다. 이것은 바람직한 응용이지만, 센서 배열체는 또한 복수의 다른 응용들을 위해, 특히 힘이 측정되어야 할 때 및/또는 요소가 조작을 위해 사용되어야 할 때, 원칙적으로 사용될 수 있다는 것에 유의해야 한다. 조작은 특히, 예를 들어 센서 배열체와 동일할 수 있는 조작 요소가 조작될 아이템을 파지하거나 포획할 수 있고 이 아이템을, 예를 들어 그의 포지션 또는 배향에 대해, 조작할 수 있다는 것을 의미한다. 이를 행하는 동안, 센서 배열체를 사용하여 힘들이 측정될 수 있다.
일반적으로, 본 명세서에 개시된 바와 같은 센서 배열체는 기압 감지 기술을 신규한 조립 방법들과 조합할 수도 있다고 말할 수 있다. 이는, 높은 레벨의 견고성을 갖고, 예를 들어, 3차원 돔 형상을 갖는 고분해능 촉각 센서를 생성하기 위해, 예를 들어 본 명세서에 개시된 바와 같은 머신 러닝 기법들과 추가로 조합될 수도 있다.
특히, 강성 코어는 3D 프린팅될 수도 있다. 이는 강성 코어를 제공하는 단계가 강성 코어를 3D 프린팅하는 단계를 포함한다는 것을 의미할 수 있다. 그러나, 드릴링 또는 몰딩 같은 다른 제조 방법들 또한 사용될 수 있다.
예를 들어, 적어도 5, 적어도 10, 적어도 15, 적어도 19, 적어도 20, 적어도 25, 적어도 30, 적어도 35, 또는 적어도 37 개의 기압 센서들이 사용될 수 있다. 이들은 돔 형상의 중앙 코어를 둘러쌀 수 있다. 센서들을 보호하는 연성 외부 표면을 제공하면서 또한 로컬화된 압력 측정들을 가능하게 하기 위해, 그러한 조립체는 재료, 예를 들어 우레탄으로 커버되는 몰드에 배치될 수도 있다.
머신 러닝 기법들은 센서 데이터를 이용하는 데 사용되어 촉각 상호작용들의 초(super)분해능 감지를 제공할 수도 있다. 그러한 바, 기압 센서들은 실제로 더 많은 센서들이 있는 것처럼 작용할 수도 있다. 머신 러닝 알고리즘들은, 우선 유한요소법(finite element method)을 결합한 핑거 패드에 대한 고유 모델을 학습하고 그 후 전달 학습(transfer learning)을 사용하여 고유 모델과 실제 물리적 기압계들을 상관시킴으로써 통합될 수도 있다. 힘 분포 맵(3 DOF 및 로컬 좌표계를 갖는 절점력(nodal force)들)은, 상이한 조작 시나리오들, 예를 들어 홀딩, 플립 검출, 비틀림 등으로 분류될 수 있는 터치 충격의 표현으로서 예측될 수도 있다.
이 접근법은 손가락 프로파일(profile) 주위 전체에서 고분해능 감지를 허용하여, 오브젝트 접촉의 위치가 예측될 수 없거나 상당히 변할 수 있는 다양한 응용들에 대해 시스템을 완벽하게 한다. 추가적으로, 센서 배열체를 위해 사용되는 하드웨어 요소들은, 특히 종래 기술에 공지된 다른 센서들과 비교하여, 상당히 저렴하다.
바람직한 실시예에 따르면, 본 발명에 따른 센서 배열체 또는 본 발명에 따른 방법에 따라 제조된 센서 배열체는 센서 배열체의 힘 추론을 위한 방법을 수행하도록 구성된 전자 제어 모듈을 더 포함한다. 이는 센서 배열체에서의 힘 추론을 위한 기능성을 통합할 수 있다. 전자 제어 모듈은, 예를 들어, 강성 코어 내에 또는 강성 코어에 포지셔닝될 수 있거나, 강성 코어와 별개로 포지셔닝될 수 있다.
특히, 제어 모듈은 측정 표면의 힘 맵(force map)을 제공하기 위해 힘 추론을 위한 방법을 수행하도록 구성될 수 있으며, 힘 맵은 복수의 힘 벡터(force vector)들을 포함한다. 이러한 힘 맵은 가해진 힘에 대한 관련 정보를 제공할 수 있으며, 이는 예를 들어, 인덴터(indenter)가 측정 표면을 가압하는 것으로부터 또는 조작될 오브젝트로부터 유래할 수 있다.
제어 모듈은 특히, 아래에 더 설명되는 바와 같이 힘 추론 및/또는 트레이닝 방법들 위한 방법을 수행하도록 구성될 수 있다.
전형적인 구현예들에 따르면, 힘 맵은 적어도 0.25 힘 벡터/mm2, 적어도 0.5 힘 벡터/mm2, 적어도 0.75 힘 벡터/mm2, 적어도 1 힘 벡터/mm2, 적어도 1.5 힘 벡터/mm2, 또는 적어도 2 힘 벡터/mm2를 포함할 수도 있다.
전형적인 구현예들에 따르면, 힘 맵은 최대 0.25 힘 벡터/mm2, 최대 0.5 힘 벡터/mm2, 최대 0.75 힘 벡터/mm2, 최대 1 힘 벡터/mm2, 최대 1.5 힘 벡터/mm2, 또는 최대 2 힘 벡터/mm2를 포함할 수도 있다.
이러한 값들은 전형적인 사용 사례들에 적합한 것으로 입증되었다. 그러나, 다른 값들 또한 사용될 수 있다.
전형적인 구현예들에 따르면, 힘 맵은 적어도 500, 적어도 1000, 또는 적어도 2000 개의 힘 벡터들을 포함할 수도 있다. 전형적인 구현예들에 따르면, 힘 맵은 최대 1000, 최대 2000, 최대 3000, 또는 최대 4000 개의 힘 벡터들을 포함할 수도 있다. 이러한 값들은 특히, 로봇 팁인 센서 배열체의 사용 사례에 적합한 것으로 입증되었다. 그러나, 다른 값들 또한 사용될 수 있다.
바람직하게는, 각각의 힘 벡터는 수직력(normal force) 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다. 이는, 수직력들에 대한 정보뿐만 아니라 전단력들에 대한 정보를 허용하고 따라서, 예를 들어 로봇 팁 응용의 더 나은 조절을 허용한다.
특히, 제1 전단력 컴포넌트는 제1 전단력에 대응할 수도 있고, 제2 전단력 컴포넌트는 제2 전단력에 대응할 수도 있다. 제1 전단력은 특히 제2 전단력에 수직일 수도 있다. 특히, 전단력 컴포넌트들은 서로 수직일 수도 있다.
구현예에 따르면, 제어 모듈은 기압 센서들로부터 온도 값들을 판독하기 위해 그리고 온도 값들에 기초하여 센서 배열체의 온도 맵 또는 온도 정보를 제공하기 위해 구성될 수도 있다. 이는, 예컨대 제어 또는 감시 응용들에 사용될 수 있는, 온도 분포에 대한 추가적인 정보를 제공할 수도 있다. 특히, 기압 센서들은 이러한 목적으로 사용될 수 있는 각각의 통합된 온도 측정 기능을 가질 수도 있다.
이하에서, 추가 발명적 양태들이 설명된다. 이러한 양태들은 본 명세서에 개시된 다른 특징들과, 조합하여 또는 단독으로, 조합될 수도 있다. 이들은 별개의 발명적 양태들로서 간주될 수 있고, 청구항들의 대상이 될 수 있다.
본 발명은 힘들을 감지하기 위한 센서 배열체의 힘 추론을 위한 방법에 관한 것이다.
이러한 센서 배열체, 특히 방법이 사용될 수 있는 센서 배열체는, 특히 복수의 기압 센서들을 포함할 수도 있다. 이는 컴플라이언트 층을 더 포함할 수도 있다. 컴플라이언트 층은 특히 기압 센서들을 커버하고 측정 표면을 제공할 수도 있다. 예를 들어, 본 발명의 방법이 사용될 수 있는 이러한 센서 배열체는 본 명세서에 설명된 바와 같은 센서 배열체일 수도 있거나, 본 명세서에 설명된 바와 같은 방법에 따라 제조될 수 있다. 센서 배열체 또는 제조하는 방법과 관련하여, 모든 개시된 실시예들 및 변형예들이 사용될 수 있다.
힘 추론을 위한 방법은 다음 단계들을 포함한다:
- 기압 센서들로부터 압력 값들을 판독하는 단계, 및
- 피드포워드(feed-forward) 뉴럴 네트워크를 사용하여, 압력 값들에 기초하여 측정 표면에 대한 힘 맵을 계산하는 단계로서, 힘 맵은 복수의 힘 벡터들을 포함하는, 상기 힘 맵을 계산하는 단계.
이러한 방법을 사용하여, 기압 센서들로 고분해능 및/또는 정교한 정보가 획득될 수 있는 방식으로 센서의 힘 추론이 수행될 수 있다. 이는, 피드포워드 뉴럴 네트워크가 기압 센서들의 간격보다 훨씬 미세한 분해능으로 힘 정보를 제공할 수 있다는 것이 밝혀졌기 때문에 가능하다. 이는 추가 정보도 제공할 수도 있다. 이 기능성은 특히 피드포워드 뉴럴 네트워크가 적절하게 트레이닝되었다면 획득될 수 있다. 트레이닝을 위한 바람직한 구현예들이 아래에 더 주어진다.
기압 센서들은 특히, 예컨대 특정 기압 센서에 가해지는 압력에 선형적으로 의존하는 출력 신호를 생성하도록 적응될 수 있다. 특히, 압력은 측정 표면으로부터 기압 센서로 계전되며, 여기서 통상적으로는 최소한의 연장으로 측정 표면에 가해지는 힘도 여러 기압 센서들로 계전되므로, 미세한 분해능을 얻기 위해 피드포워드 뉴럴 네트워크 같은 기법들이 사용될 수 있다.
센서 배열체와 관련하여, 본 명세서에 주어진, 실시예들 및 변형예들의 설명을 포함하는 상세한 설명을 참조한다.
힘 맵은 특히 실제 측정 표면 상에 정의되는 맵일 수도 있으며, 여기서 힘 맵은 다수의 맵 포인트들을 포함할 수도 있다. 각각의 맵 포인트에서, 일부 정보는, 예를 들어 아래에 추가로 설명되는 바와 같은 힘 벡터가 정의될 수도 있다. 힘 맵은 통상적으로는 측정 표면에 가해지는 힘들에 대한 정보를 제공한다. 예를 들어, 그러한 힘들은 측정 표면을 가압하는 인덴터 또는 여러 인덴터들로부터 또는, 예컨대 센서 배열체가 로봇 팁일 때, 센서 배열체에 의해 현재 조작되는 오브젝트로부터 기원할 수도 있다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는 전달(transfer) 네트워크 및 복원(reconstruction) 네트워크를 포함한다. 전달 네트워크는 기압 센서들을 센서 배열체의 유한요소 모델의 복수의 가상 센서들에 매핑한다. 복원 네트워크는 유한요소 모델의 가상 센서들을 힘 맵에 매핑한다. 각각의 가상 센서는 하나 이상의 가상 센서 포인트들을 포함할 수도 있으며, 이들은 각각 가상 센서 포인트 값을 갖는다.
따라서, 이 구현예에서 피드포워드 뉴럴 네트워크는 분할된다. 이는 아래에서 더 설명되는 바와 같이, 향상된 기능성 및 특히 더 나은 트레이닝 가능성을 허용한다.
전달 네트워크는 특히 실제 기압 센서들, 또는 기압 센서들로부터 기원하는 출력 값들을 유한요소 모델에 매핑할 수도 있다. 유한요소 모델은 특히 실제 센서 배열체의 가상 모델일 수도 있다. 이는 힘 추론 능력들을 향상시키기 위해 특히 사용될 수도 있다. 유한요소 모델은 유한요소법들에 의해 모델링될 수도 있다. 이는 사용된 실제 컴포넌트들 및 재료의 가상 표현을 포함할 수도 있다. 예를 들어, 사용된 재료들의 영률(Young's Modulus) 및 포아송 비(Poisson's Ratios)는 실제 센서 배열체와 동일하게 사용될 수도 있다. 또한, 거리 및 다른 기하학적 치수들은 실제 센서 배열체와 가상 유한요소 모델 사이에서 동일할 수도 있다. 그러나, 유한요소 모델은 트레이닝을 위해 주로 사용되는 컴포넌트이고, 트레이닝이 행해진 후에 힘 추론을 위해서만 사용되는 구현예로 반드시 구현되어야 하는 것은 아님에 유의해야 한다. 트레이닝이 행해졌다면, 전달 네트워크 및 복원 네트워크는 완전한 유한요소 모델과 별개로 사용될 수 있으며, 여기서 각각의 경우에 힘 추론이 행해져야, 즉 힘 맵이 획득되어야 하고, 기압 센서들로부터 판독된 출력 값들이 전달 네트워크에 의해 가상 센서 포인트 값들로 우선 매핑되고, 그리고 그렇게 획득된 가상 센서 포인트 값들이 복원 네트워크에 의해 힘 맵에 매핑된다.
전형적으로, 전달 네트워크 및 복원 네트워크는 인공 뉴럴 네트워크이다. 매핑은 특히, 입력 값들이 네트워크에 피드되고, 네트워크는 그의 트레이닝에 기초하여 출력 값들을 생성하는 것을 의미할 수도 있다. 트레이닝은 네트워크의 거동을 정의하는 복수의 값들을 적응시킬 수도 있다. 예를 들어, 네트워크의 거동을 정의하기 위해 약 1 백만 개의 수치 값들이 사용될 수 있다. 전달 네트워크의 경우, 이는 기압 센서들로부터 기원하는 데이터로 피드될 수도 있고, 가상 센서 포인트 값들을 생성할 수도 있다. 복원 네트워크의 경우, 이는 가상 센서 포인트 값들로 피드될 수도 있고, 힘 맵을 생성할 수도 있다. 분할되거나 분할되지 않는, 전체 피드포워드 뉴럴 네트워크는 기압 센서들로부터 기원한 데이터로 피드될 수도 있고, 힘 맵을 생성할 수도 있다.
가상 센서는 센서 포인트들로의 실제 센서의 세그먼트화로서 간주될 수도 있다. 실제 센서, 예컨대 기압 센서는 그에 가해지는 하나의 힘을 하나의 출력 신호로 변환할 수도 있지만, 가상 센서는 이러한 힘을 복수의 센서 포인트 값들로 변환할 수도 있다. 전형적으로, 센서 포인트 값들은 실제 센서 배열체에서 기압 센서에 대응하는 유한요소 모델의 영역에 포지셔닝된다. 유한요소 모델에서의 영역은 또한 더 작거나 더 클 수도 있으며, 예를 들어 10% 또는 50% 더 작거나 더 클 수도 있다. 가상 센서 개념은 또한, 기압 센서가 전형적으로는 힘 추론에서 정확한 포지션을 사용하기에 충분한 정확도로 알려진 포지션의 포인트에서 포지셔닝되지 않는다는 사실을 고려한다. 가상 센서 포인트들을 갖는 유한요소 모델의 사용은 그러한 변형예들에도 불구하고 신뢰성 있는 힘 추론을 허용한다.
이하에서, 네트워크들의 트레이닝 양태들이 설명될 것이다. 이 섹션에서 언급된 트레이닝을 위한 단계들은 특히, 실제 힘 측정치들의 힘 추론이 수행되기 전에 수행된 단계들로서 고려되어야 한다. 따라서, 힘 추론을 위한 방법은 힘 추론 전에 수행되는 트레이닝 단계들, 및 트레이닝된 네트워크 또는 트레이닝된 네트워크들을 사용하는 힘 추론의 조합으로서 간주될 수 있다. 힘 추론을 위한 방법은 또한, 그에 따라 트레이닝된 네트워크 또는 네트워크들을 사용하여, 힘 추론 자체로서 간주될 수도 있다. 추가로 이하에서, 별도의 트레이닝 방법들이 설명된다. 이들은 임의의 힘 추론으로부터 독립적으로 수행될 수 있다. 전형적으로 기압 센서들이 판독되고 힘 맵이 생성되는 힘 추론은 사용 사례에서, 즉 측정 표면에 가해지는 힘들을 측정 또는 평가하기 위해 센서 배열체가 사용될 때 수행될 액션으로서 고려되어야 하며, 이는 예를 들어 센서 배열체가 오브젝트를 현재 조작하고 있거나 달리 측정 표면에 압력을 가하는 오브젝트와 접촉하고 있기 때문이다.
구현예에 따르면, 복원 네트워크는 힘 추론 전에 수행되는 다음의 단계들로 트레이닝되었을 수도 있다:
- 유한요소 모델에서 복수의 시뮬레이션들을 수행하는 것으로서, 각각의 시뮬레이션은 유한요소 모델의 시뮬레이션된 측정 표면에 대한 하나 이상의 시뮬레이션된 힘들의 동시적인 인가를 포함하는, 상기 복수의 시뮬레이션들을 수행하고, 이에 의해 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘 맵을 계산하는 것으로서, 시뮬레이션된 힘 맵은 복수의 시뮬레이션된 힘 벡터들을 포함하는, 상기 시뮬레이션된 힘 맵을 계산하고, 그리고 대응하는 가상 센서 포인트 값들을 유한요소 모델로 계산하는 단계, 및
- 계산된 시뮬레이션된 힘 맵들 및 대응하는 계산된 가상 센서 포인트 값들로 복원 네트워크를 트레이닝하는 단계.
복원 네트워크를 위한 이러한 트레이닝 단계들은, 복원 네트워크가 가상 센서 포인트 값들로부터, 전형적으로는 센서 배열체의 의도된 출력인, 정확하고 미세한 힘 맵을 생성할 수 있도록 복원 네트워크를 적절히 트레이닝하기 위해 사용될 수도 있다. 가상 센서 포인트 값들은 특히 전달 네트워크에 의해 획득될 수 있다.
복원 네트워크를 트레이닝하기 위한 시뮬레이션들만을 사용하는 것이 적합한 것으로 입증되었다. 특히, 하나의 힘뿐만 아니라 측정 표면에 가해진 복수의 힘들을 검출할 수 있는 방식으로 복원 네트워크를 트레이닝하기 위해 이러한 시뮬레이션들이 사용될 수도 있다. 이는, 충돌 회피 문제들 및 복잡한 실험 셋업(experimental setup) 때문에 동시에 두 개 이상의 힘들을 가하는 것이 복잡한, 실제 힘 테스트들 네트워크를 트레이닝하는 것보다 훨씬 쉽다. 복원 네트워크를 트레이닝하기 위한 시뮬레이션들을 사용하는 것만으로도 힘 맵의 복원에 대해 높은 신뢰성이 획득될 수 있는 것으로 나타났다. 시뮬레이션들은 특히 컴퓨터에서 또는 다른 프로그래밍가능 및/또는 자동 데이터 프로세싱 엔티티에서 수행될 수도 있다.
유한요소 모델에서의 트레이닝은 특히 순수 컴퓨터 시뮬레이션에 의해 수행될 수도 있다. 따라서, 시뮬레이션된 힘은 또한 이러한 컴퓨터 시뮬레이션에서만 인가된다. 시뮬레이션된 측정 표면은 전형적으로 유한요소 모델의 표면의, 예를 들어 유한요소 모델의 컴플라이언트 층의 표면이다. 따라서, 시뮬레이션된 측정 표면은 또한 시뮬레이션에서만 존재하는 반면, 측정 표면은 실제 센서 배열체의 표면이다.
시뮬레이션된 힘들은 시뮬레이션된 측정 표면에 시뮬레이션으로 가해진다. 이는 시뮬레이션된 힘 맵의 형성을 초래한다. 시뮬레이션된 힘 맵은 복수의 시뮬레이션된 힘 벡터들을 포함하며, 여기서 각각의 시뮬레이션된 힘 벡터는 시뮬레이션된 힘 맵의 로컬 값을 제공한다. 시뮬레이션된 힘 맵은 시뮬레이션된 측정 표면의 변형으로서 표현할 수 있고 그리고/또는 계산될 수 있다. 특히 유한요소법들을 사용하여 계산될 수 있다.
가상 센서 포인트 값들이 또한 유한요소법들에 의해 계산될 수도 있다. 특히, 실제 센서 배열체를 나타내는, 유한요소 모델의 시뮬레이션된 힘들 및 구조적 및 재료 특성들은 시뮬레이션된 힘 맵 및 가상 센서 포인트 값들 양자 모두를 결정할 수도 있다. 이는 시뮬레이션된 힘 맵과 가상 센서 포인트 값들 사이의 관계를 제공한다.
힘 추론에서, 가상 센서 포인트 값들은 실제 힘들을 간접적으로 측정하는 기압 센서들의 데이터에 기초하여 생성될 수도 있다. 시뮬레이션들로부터 획득될 수 있는 시뮬레이션된 힘 맵과 가상 센서 포인트 값들 사이의 관계로, 복원 네트워크에 의해 힘 맵이 복원될 수 있다.
가상 센서 포인트 값들로부터 힘 맵을 생성하는 것이 복원으로서 표기되는 점이 유의되어야 한다. 그러한 이유로, 이러한 복원을 수행하는 네트워크는 복원 네트워크로서 표기된다.
복원 네트워크를 트레이닝할 때, 수행된 시뮬레이션들로부터의 데이터가 사용될 수도 있다. 이러한 데이터는 특히 시뮬레이션된 힘 맵 및 대응하는 가상 센서 포인트 값들을 포함할 수도 있다.
구현예에 따르면, 시뮬레이션된 측정 표면에 가해진 시뮬레이션된 힘들은 시뮬레이션된 인덴터 형상들을 갖는 각각의 시뮬레이션된 인덴터들에 기초하여 생성된다. 형상은 특히, 시뮬레이션에서 시뮬레이션된 측정 표면과 접촉하는 시뮬레이션된 인덴터의 부분과 관련할 수도 있다. 따라서, 시뮬레이션된 인덴터는 시뮬레이션된 힘들을 정의하기 위해 시뮬레이션에서 사용되는 오브젝트이다.
구현예에 따르면, 시뮬레이션된 인덴터 형상들은 적어도 팁, 라운드, 삼각형 단면, 정사각형 단면, 반구, 큐브, 및 원통을 포함하는 그룹으로부터 선택된다. 이러한 시뮬레이션된 인덴터 형상들은 인가시 측정 표면과 접촉하는 실제 오브젝트들의 전형적인 형상들에 대응하기 때문에 적합한 것으로 입증되었다. 이러한 상이한 인덴터 형상들을 사용하는 것은 실제 측정 표면에 가해진 대응하는 또는 유사한 형상들을 복원하기 위해 복원 네트워크의 트레이닝을 상당히 개선한다. 각각의 언급된 형상이 사용될 수 있거나, 오직 하나의 언급된 형상만이 사용될 수 있거나, 언급된 형상들의 선택이 사용될 수 있다는 것에 유의해야 한다. 대안적으로, 또는 추가적으로, 다른 형상들이 사용될 수 있다. 시뮬레이션에서 1개 보다 많은 인덴터가 사용될 때, 인덴터들은 동일한 또는 상이한 형상들을 가질 수도 있다.
구현예에 따르면, 복원 네트워크는 복수의 상이한 시뮬레이션된 인덴터 형상들을 사용하여 트레이닝되었다. 이는 상이한 인덴터 형상들에 의해 생성된 힘들이 구별될 수도 있도록 하는 복원 네트워크의 트레이닝을 허용한다. 특히, 사용된 인덴터 형상 각각으로 또는 인덴터 형상들의 사용된 조합 각각으로 하나의 시뮬레이션 또는 여러 시뮬레이션들이 수행될 수 있다. 이러한 시뮬레이션들은, 예를 들어, 인덴터들의 수 및/또는 인덴터 또는 인덴터들이 가해지는 포지션들이 상이할 수 있다.
구현예에 따르면, 복원 네트워크는 복수의 사이즈들의 시뮬레이션된 인덴터들을 사용하여 트레이닝되었다. 추가로, 또는 상이한 형상들을 사용하는 것에 대한 대안으로서, 상이한 사이즈들을 갖는, 인덴터들 또는 힘들을 가하는 다른 오브젝트들을 구별하도록 복원 네트워크를 트레이닝하는 것을 허용한다. 예를 들어, 시뮬레이션된 측정 표면에 대한 상이한 사이즈들의 접촉 부분들이 사용될 수 있다. 상이한 인덴터 형상들을 사용하는 것에 관하여 주어진 시뮬레이션들의 수행에 관련한 진술들이 그에 따라 적용된다. 또한, 다양한 인덴터 형상들 및 인덴터 사이즈들의 조합이 가능하다.
구현예에 따르면, 2 개 이상의 시뮬레이션된 인덴터들에 기초하여 생성된 시뮬레이션된 힘들의 동시적인 인가를 포함하는 시뮬레이션들의 적어도 일부로 복원 네트워크가 트레이닝되었다. 이는 오직 1 개의 인덴터에 의해 가해진 힘들과 2 개 이상의 인덴터들에 의해 가해진 힘들을 구별하기 위해 복원 네트워크를 트레이닝하는 것을 허용한다. 이는 특히 시뮬레이션에서 수행될 수 있으며, 이는 2 개 이상의 인덴터들의 그러한 인가를 수행하기 위한 실험 셋업을 준비하는 것보다 훨씬 더 용이하다.
구현예에 따르면, 오직 1 개의 시뮬레이션된 인덴터에 기초하여 생성된 시뮬레이션된 힘들의 인가를 포함하는 시뮬레이션들의 적어도 일부로 복원 네트워크가 트레이닝되었다. 이는 오직 1 개의 인덴터가 가해질 때 힘 맵의 복원을 위한 특정 트레이닝을 허용한다.
예를 들어, 다음과 같은 수들의 시뮬레이션들이 전형적인 트레이닝에서 수행될 수 있다.
단일 접촉으로 복원 네트워크를 트레이닝할 때, 10,000 내지 50,000, 또는 30,000 시뮬레이션들이 수행될 수 있다.
이중 접촉으로 복원 네트워크를 트레이닝할 때, 5,000 내지 20,000, 또는 10,000 시뮬레이션들이 수행될 수 있다.
삼중 접촉으로 복원 네트워크를 트레이닝할 때, 5,000 내지 20,000, 또는 10,000 시뮬레이션들이 수행될 수 있다.
사중 접촉으로 복원 네트워크를 트레이닝할 때, 5,000 내지 20,000, 또는 10,000 시뮬레이션들이 수행될 수 있다.
오중 접촉으로 복원 네트워크를 트레이닝할 때, 5,000 내지 20,000, 또는 10,000 시뮬레이션들이 수행될 수 있다.
그러나, 이들은 단지 전형적이거나 바람직한 값들이다. 일반적으로, 임의의 수의 시뮬레이션들이 수행될 수 있다. 예를 들어, 이중 접촉은 2 개의 힘의 동시적인 인가를 의미하고, 삼중 접촉은 3 개의 힘들의 동시적인 인가를 의미하고, 사중 접촉은 4 개의 힘들의 동시적인 인가를 의미하고 그리고 오중 접촉은 5 개의 힘들의 동시적인 인가를 의미한다. 이러한 시뮬레이션들은 트레이닝 시에 조합될 수 있다.
구현예에 따르면, 시뮬레이션된 힘 벡터들의 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다. 따라서, 힘 맵은 이들 컴포넌트들에 대한 정보를 제공한다. 종래 기술에 따른 전형적인 구현들에서, 전단력들이 복원될 수 없다는 것에 유의해야 한다. 그러나, 언급된 컴포넌트들을 갖는 이러한 시뮬레이션된 힘 벡터들이 시뮬레이션들로 복원 네트워크를 트레이닝하기 위해 사용될 때, 수직력들에 더하여 전단력들이 복원될 수 있다는 것이 나타났다. 이는 복수의 응용들에서, 예컨대 오브젝트들을 조작하기 위한 로봇 응용들에서 가치있는 추가적인 정보를 제공한다.
구현예에 따르면, 시뮬레이션된 힘 벡터들의, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응한다. 특히, 제1 전단력은 제2 전단력에 수직이다. 이는 전단력들의 수직 배향으로 인해, 용이하게 사용가능한 정보를 제공한다.
힘 벡터들은 대안적으로 3 개보다 많거나 적은 컴포넌트들을 또한 가질 수 있다는 것에 유의해야 한다.
구현예에 따르면, 복원 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 시뮬레이션된 힘들을 사용하여 트레이닝되었다. 이는, 측정 표면에 가해진 상이한 전단력들을 구별하기 위해 복원 네트워크를 트레이닝하는 것을 허용한다. 전단력들은 하나의 시뮬레이션에 사용된 힘들의 상이한 컴포넌트들 사이에서 그리고/또는 상이한 시뮬레이션들 사이에서 다를 수 있다.
구현예에 따르면, 복원 네트워크는 상이한 수직력 컴포넌트들을 갖는 복수의 시뮬레이션된 힘들을 사용하여 트레이닝되었다. 이는, 측정 표면에 가해진 상이한 수직력들을 구별하기 위해 복원 네트워크를 트레이닝하는 것을 허용한다. 수직력들은 하나의 시뮬레이션에 사용된 상이한 힘들 사이에서 그리고/또는 상이한 시뮬레이션들 사이에서 다를 수 있다.
상이한 시뮬레이션된 인덴터들, 상이한 시뮬레이션된 인덴터 형상들, 상이한 시뮬레이션된 인덴터 사이즈들 및/또는 상이한 시뮬레이션된 전단력들 또는 상이한 시뮬레이션된 전단력 컴포넌트들을 사용하는 개념이 또한 힘 추론 목적들을 위해 뉴럴 네트워크를 트레이닝할 때 다른 맥락들에서 적용될 수 있다는 것에 유의해야 한다. 이는 본 명세서에 주어진 센서 배열체의 구현과는 독립적이다. 실제 인덴터들 및/또는 힘들에 대해서도 마찬가지이다.
구현예에 따르면, 복원 네트워크는 힘 추론 전에 수행되는 다음의 단계들로 트레이닝되었을 수도 있다:
- 센서 배열체에 대해 복수의 힘 테스트들을 수행하는 것으로서, 각각의 힘 테스트는 센서 배열체의 측정 표면 상의 포지션에 대한 1 개의 인덴터에 의한 힘의 인가를 포함하는, 상기 복수의 힘 테스트들을 수행하고, 동시에 인덴터에 의해 가해진 힘을 측정하고 그리고 동시에 압력 값들을 기압 센서들로 측정하는 단계,
- 각각의 힘 테스트에 대해, 유한요소 모델로 대응하는 시뮬레이션을 수행하는 것으로서, 각각의 시뮬레이션은 유한요소 모델의 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘의 인가를 포함하는, 상기 대응하는 시뮬레이션을 수행하고, 이에 의해 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘 맵을 계산하는 것으로서, 시뮬레이션된 힘 맵은 복수의 시뮬레이션된 힘 벡터들을 포함하고, 시뮬레이션된 힘이 측정된 힘에 대응하고 측정 표면 상의 포지션에 대응하는 시뮬레이션된 측정 표면 상의 포지션에 가해지는, 상기 시뮬레이션된 힘 맵을 계산하고, 그리고 대응하는 가상 센서 포인트 값들을 유한요소 모델로 계산하는 단계, 및
- 측정된 압력 값들 및 대응하는 계산된 가상 센서 포인트 값들로 전달 네트워크를 트레이닝하는 단계.
힘 테스트는, 시뮬레이션과 대조적으로, 실제 물리적인 센서 배열체로 수행되는 테스트이다. 인덴터는 측정 표면과 접촉하도록 구체적으로 설계된 오브젝트일 수도 있다. 힘 테스트는, 센서 배열체가 고정 인덴터에 대하여 이동되도록, 또는 인덴터가 고정 센서 배열체에 대하여 이동되도록 수행될 수도 있다. 또한, 센서 배열체 및 인덴터 양자 모두의 이동이 적용될 수 있다. 힘은 인덴터의 인가 동안 측정될 수도 있고, 시뮬레이션에서 가해진 시뮬레이션된 힘에 대한 기초를 형성할 수도 있다. 구체적으로 정의된 힘을 가하려고 시도하는 대신에 힘을 측정하는 것이 적합한 것으로 입증되었는데, 후자의 접근법은 가능하더라도 더 복잡하기 때문이다. 압력 값들은 전형적으로 기압 센서들의 출력 신호들이다.
다수의 힘들을 정확하게 평가하기 위한 피드포워드 뉴럴 네트워크를 준비하기 위해 동시에 가해지는 다수의 인덴터들로 힘 테스트들을 수행할 필요가 없다는 것이 밝혀졌다는 것에 특히 유의해야 한다. 이는 전술한 바와 같이, 전달 네트워크를 트레이닝하기 위한 시뮬레이션들에 의해 수행될 수 있다.
전달 네트워크를 트레이닝하기 위한 시뮬레이션들은 특히 복원 네트워크를 트레이닝하기 위한 시뮬레이션들을 위해 사용되는 동일한 유한요소 모델로 수행될 수 있다.
시뮬레이션들에서, 유한요소 모델의 시뮬레이션된 힘 및 구조적 및 재료적 특성들은 전형적으로 유한요소 모델로 수행되는 계산들을 위한 기초이다. 특히, 시뮬레이션된 힘은 계산된 시뮬레이션된 힘 맵 및 계산된 가상 센서 포인트 값들을 초래한다. 따라서 유한요소 모델은 측정 표면에 실제로 가해진 힘에 대응하는 가상 센서 포인트 값들을 계산하는데 사용된다.
시뮬레이션된 힘은 특히 실제 측정된 힘에 대응할 수도 있으며, 예를 들어 동일한 컴포넌트들, 동일한 절대값 및/또는 동일한 배향을 가질 수 있다. 특히, 시뮬레이션된 힘은 측정된 힘과 동일하거나 그에 대한 미리 정의된 관계를 갖는 시뮬레이션된 측정 표면에 시뮬레이션된 힘을 가하는 시뮬레이션된 인덴터의 접촉 영역에 걸친 적분(integral) 또는 실제 접촉 영역에 걸친 실제의 및/또는 측정된 힘의 적분을 가질 수도 있다. 이는 예를 들어, 힘들의 진폭 및/또는 방향에 관련할 수 있다. 또한, 측정된 힘과 시뮬레이션된 힘 사이의 미리 정의된 변형예들이 사용될 수 있으며, 이는 또한 대응하는 힘들로서 간주될 수 있다.
포지션은, 예를 들어, 카메라를 사용하는 이미지 인식으로부터 측정되거나, 획득될 수 있거나, 또는 힘 테스트들을 수행할 때 머신 파라미터들로부터 계산될 수 있다. 시뮬레이션된 힘은 특히 실제 힘이 가해지는 실제 측정 표면 상의 포지션과 시뮬레이션된 측정 표면의 동일한 포지션에 가해질 수도 있다. 이는 실험과 시뮬레이션 사이에 좋은 대응을 제공한다.
전달 네트워크를 트레이닝할 때, 실험 및 시뮬레이션 데이터 양자 모두가 사용될 수도 있다. 이러한 시뮬레이션 데이터는 특히 기압 센서들의 압력 값들 및 대응하는 시뮬레이션으로부터의 가상 센서 포인트 값들을 포함할 수도 있다.
구현예에 따르면, 전달 네트워크를 트레이닝하기 위한 힘 테스트들은 각각의 인덴터 형상을 각각 갖는 복수의 인덴터들로 수행된다. 형상은 특히 힘 테스트에서 측정 표면과 접촉하는 인덴터의 부분에 관련할 수도 있다. 따라서, 인덴터는 측정 표면에 가해진 힘을 정의하기 위해 힘 테스트에서 사용되는 오브젝트이다. 특히, 복수의 힘 테스트들이 행해질 수 있으며, 여기서 인덴터 형상들의 그룹 중 하나가 각각의 힘 테스트에서 사용된다. 전형적으로, 각각의 힘 테스트에서 오직 하나의 인덴터가 사용된다.
구현예에 따르면, 인덴터 형상들은 적어도 팁, 라운드, 삼각형 단면, 정사각형 단면, 반구, 큐브, 및 원통을 포함하는 그룹으로부터 선택된다. 이러한 인덴터 형상들은 인가시 측정 표면과 접촉하는 오브젝트들의 전형적인 형상들에 대응하기 때문에 적합한 것으로 입증되었다. 이러한 상이한 인덴터 형상들을 사용하는 것은 측정 표면에 가해진 대응하는 또는 유사한 형상들을 복원하기 위해 복원 네트워크의 트레이닝을 상당히 개선한다. 각각의 언급된 형상이 사용될 수 있거나, 오직 하나의 언급된 형상만이 사용될 수 있거나, 언급된 형상들의 선택이 사용될 수 있다는 것에 유의해야 한다. 대안적으로, 또는 추가적으로, 다른 형상들이 사용될 수 있다.
구현예에 따르면, 대응하는 힘 테스트들에 사용된 실제 인덴터 형상들에 대응하는 각각의 시뮬레이션된 인덴터 형상들을 갖는 시뮬레이션된 인덴터들에 기초하여 시뮬레이션된 힘들로 시뮬레이션들이 수행된다. 이는, 전달 네트워크가 이상적으로 트레이닝될 수도 있도록 힘 테스트와 시뮬레이션 사이의 최적의 대응을 보장한다.
구현예에 따르면, 전달 네트워크는 복수의 상이한 인덴터 형상들을 사용하여 트레이닝되었다. 이는 상이한 인덴터 형상들에 의해 생성된 힘들이 구별될 수도 있도록 하는 전달 네트워크의 트레이닝을 허용한다. 전형적으로, 상이한 인덴터 형상들은 복수의 힘 테스트들에 걸쳐 분포되는데, 이는 각각의 힘 테스트에서 오직 하나의 인덴터만이 인가되기 때문이다.
구현예에 따르면, 상이한 사이즈들을 갖는 복수의 인덴터들을 사용하여 전달 네트워크가 트레이닝되었다. 추가로, 또는 상이한 형상들을 사용하는 것에 대한 대안으로서, 상이한 사이즈들을 갖는, 인덴터들 또는 힘들을 가하는 다른 오브젝트들을 구별하도록 전달 네트워크를 트레이닝하는 것을 허용한다. 예를 들어, 측정 표면에 대한 상이한 사이즈들의 접촉 부분들이 사용될 수 있다.
구현예에 따르면, 적어도 전달 네트워크를 트레이닝하기 위한 힘 테스트들의 일부에 대해, 각각의 전단력들로 가해지는 인덴터들로 전달 네트워크가 트레이닝되었다. 이는 측정 표면에 가해지는 상이한 전단력들을 구별하기 위해 전달 네트워크를 트레이닝하는 것을 허용한다. 특히, 상이한 전단력들 또는 전단력 컴포넌트들로 복수의 힘 테스트들이 수행될 수 있다.
구현예에 따르면, 측정된 힘들 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다. 따라서, 측정된 힘은 이들 컴포넌트들에 대한 정보를 제공한다. 종래 기술에 따른 전형적인 구현예들에서는, 전단력들이 측정될 수 없다는 것에 유의해야 한다. 그러나, 언급된 컴포넌트들을 갖는 이러한 시뮬레이션된 힘 벡터들이 힘 테스트들로 전달 네트워크를 트레이닝하기 위해 사용될 때, 수직력들에 더하여 전단력들이 복원될 수 있다는 것이 나타났다. 이는 복수의 응용들, 예를 들어 로봇 팁을 제어하기 위한 로봇 응용들에서 가치있는 추가적인 정보를 제공한다.
구현예에 따르면, 측정된 힘들의, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응한다. 특히, 제1 전단력은 제2 전단력에 수직이다. 이는 전단력들의 수직 배향으로 인해, 용이하게 사용가능한 정보를 제공한다.
측정된 힘들은 대안적으로 3 개보다 많거나 적은 컴포넌트들을 또한 가질 수 있다는 것에 유의해야 한다.
측정된 힘들은 글로벌 좌표계에서 표현될 수도 있다. 이들은 또한 접촉 포인트에서 측정 표면에 로컬적으로 수직인 법선 컴포넌트(normal component)로 표현될 수도 있으며, 전단력들은 법선 컴포넌트에 대해 그리고/또는 서로에 대해 수직이다. 다른 좌표계에서의 컴포넌트들을 계산하기 위해 좌표 변환이 사용될 수 있기 때문에, 이는 동등한 것으로서 간주되어야 한다.
구현예에 따르면, 전달 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝되었다. 이는, 측정 표면에 가해진 상이한 전단력들을 구별하기 위해 복원 네트워크를 트레이닝하는 것을 허용한다. 전단력들은, 하나의 힘 테스트에 사용된 힘의 상이한 컴포넌트들 사이에 그리고/또는 상이한 힘 테스트들 사이에 다를 수 있다.
구현예에 따르면, 전달 네트워크는 상이한 수직력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝되었다. 이는, 측정 표면에 가해진 상이한 수직력들을 구별하기 위해 전달 네트워크를 트레이닝하는 것을 허용한다. 수직력들은 특히 상이한 힘 테스트들과 대응하는 시뮬레이션들 사이에 다를 수 있다.
구현예에 따르면, 인덴터에 의해 가해지는 힘들은 상기 인덴터 내의 또는 상기 인덴터에 인접하게 포지셔닝된 힘 센서를 사용하여 측정된다. 이러한 힘 센서는 인덴터에 의해 측정 표면에 가해지는 힘을 측정할 수도 있다. 이는 특히, 예를 들어 앞서 논의된 바와 같은, 힘의 3 가지 컴포넌트들을 측정할 수도 있다. 인덴터에 인접하게 힘 센서를 포지셔닝하는 것은 특히 인덴터와 접촉하도록 그리고/또는 인덴터를 장착하는 오브젝트와 인덴터 사이에 포지셔닝되도록 힘 센서를 포지셔닝하는 것을 포함할 수도 있다.
구현예에 따르면, 시뮬레이션된 힘 벡터들의 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다. 이는 특히 측정된 힘에 대응할 수도 있다. 따라서, 힘 테스트에서 실제 가해진 힘에 대응하는 시뮬레이션을 위해 시뮬레이션된 힘이 사용될 수 있다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는 기압 센서들을 힘 맵에 직접 매핑한다. 이는 피드포워드 뉴럴 네트워크를 전달 네트워크 및 복원 네트워크로 분할하는 대안적인 구현예로서 간주될 수도 있다. 특히, 이 구현예에서 가상 센서 포인트 값들에 대한 압력 값들의 매핑이 사용되지 않는다. 대신에, 트레이닝되고 압력 값들을 힘 맵에 직접 매핑하는 단 하나의 뉴럴 네트워크가 있다.
예를 들어, 적절하게 전달 네트워크를 트레이닝하기 위해 20 내지 100 힘 테스트들 및 대응하는 시뮬레이션들, 또는 50 힘 테스트들 및 대응하는 시뮬레이션들이 수행될 수 있다.
추가의 예들로서, 적어도 20 힘 테스트들, 적어도 50 힘 테스트들, 적어도 100 힘 테스트들, 적어도 500 힘 테스트들, 적어도 1,000 힘 테스트들, 적어도 2,000 힘 테스트들 또는 적어도 10,000 힘 테스트들 및/또는 최대 500 힘 테스트들, 최대 1,000 힘 테스트들, 최대 2,000 힘 테스트들, 최대 10,000 힘 테스트들 또는 최대 50,000 힘 테스트들이 수행될 수 있다. 그러나, 다른 수들 또한 사용될 수도 있다.
힘 테스트들은 특히, 힘이 미리 결정되지는 않지만 각각의 경우에 측정되는 방식으로 수행될 수 있다. 상이한 힘들을 얻기 위해 상이한 장치 파라미터들이 사용될 수 있다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는 힘 추론 전에 수행되는 다음과 같은 단계들로 트레이닝되었을 수도 있다:
- 센서 배열체에 대해 복수의 힘 테스트들을 수행하는 것으로서, 각각의 힘 테스트는 센서 배열체의 측정 표면 상의 포지션에 대한 1 개의 인덴터에 의한 힘의 인가를 포함하는, 상기 복수의 힘 테스트들을 수행하고, 동시에 인덴터에 의해 가해진 힘을 측정하고 그리고 동시에 압력 값들을 기압 센서들로 측정하는 단계,
- 각각의 힘 테스트에 대해, 센서 배열체의 유한요소 모델로 대응하는 시뮬레이션을 수행하는 것으로서, 각각의 시뮬레이션은 유한요소 모델의 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘의 인가를 포함하는, 상기 대응하는 시뮬레이션을 수행하고, 이에 의해 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘 맵을 계산하는 것으로서, 시뮬레이션된 힘 맵은 복수의 시뮬레이션된 힘 벡터들을 포함하고, 시뮬레이션된 힘은 측정된 힘에 대응하며 측정 표면 상의 포지션에 대응하는 시뮬레이션된 측정 표면 상의 포지션에 가해지는, 상기 시뮬레이션된 힘 맵을 계산하는 단계; 및
- 측정된 압력 값들 및 대응하는 계산된 시뮬레이션된 힘 맵들로 피드포워드 뉴럴 네트워크를 트레이닝하는 단계.
이러한 트레이닝은 또한, 사용되는 가상 센서 포인트 값들이 없을 때 수행될 수 있다. 이는 예를 들어, 전술된 바와 같이, 피드포워드 뉴럴 네트워크가 압력 값들을 힘 맵에 직접 매핑하는 구현에서 사용될 수 있다. 그러나, 이는 또한 위에서 논의된 바와 같이 피드포워드 뉴럴 네트워크를 전달 네트워크 및 복원 네트워크로 분할하는 것과 함께, 특히 전달 네트워크 및 복원 네트워크를 개별적으로 트레이닝하는 것에 더하여, 구현예에서 사용될 수 있다.
힘 테스트 및 시뮬레이션의 세부사항들과 관련하여, 전달 네트워크의 트레이닝 및 복원 네트워크의 트레이닝과 관련하여 위에서 주어진 진술들을 참조한다.
구현예에 따르면, 피드포워드 뉴럴 네트워크를 트레이닝하기 위한 힘 테스트들은 각각의 인덴터 형상을 각각 갖는 복수의 인덴터들로 수행된다. 형상은 특히 힘 테스트에서 측정 표면과 접촉하는 인덴터의 부분에 관련할 수도 있다. 따라서, 인덴터는 측정 표면에 힘을 가하도록 힘 테스트에서 사용되는 오브젝트이다.
구현예에 따르면, 인덴터 형상들은 적어도 팁, 라운드, 삼각형 단면, 정사각형 단면, 반구, 큐브, 및 원통을 포함하는 그룹으로부터 선택된다. 이러한 인덴터 형상들은 인가시 측정 표면과 접촉하는 오브젝트들의 전형적인 형상들에 대응하기 때문에 적합한 것으로 입증되었다. 이러한 상이한 인덴터 형상들을 사용하는 것은 측정 표면에 가해진 대응하는 또는 유사한 형상들을 복원하기 위해 복원 네트워크의 트레이닝을 상당히 개선한다. 각각의 언급된 형상이 사용될 수 있거나, 오직 하나의 언급된 형상만이 사용될 수 있거나, 언급된 형상들의 선택이 사용될 수 있다는 것에 유의해야 한다. 대안적으로, 또는 추가적으로, 다른 형상들이 사용될 수 있다.
구현예에 따르면, 대응하는 힘 테스트들에 사용된 실제 인덴터 형상들에 대응하는 각각의 시뮬레이션된 인덴터 형상들을 갖는 시뮬레이션된 인덴터들에 기초하여 시뮬레이션된 힘들로 시뮬레이션들이 수행된다. 이는 피드포워드 뉴럴 네트워크가 이상적으로 트레이닝될 수도 있도록, 힘 테스트와 시뮬레이션 사이의 최적의 대응을 보장한다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는 복수의 상이한 인덴터 형상들을 사용하여 트레이닝되었다. 이는 상이한 인덴터 형상들에 의해 생성된 힘들이 구별될 수도 있도록 피드포워드 뉴럴 네트워크의 트레이닝을 허용한다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는 상이한 사이즈들을 갖는 복수의 인덴터들을 사용하여 트레이닝되었다. 추가로, 또는 상이한 형상들을 사용하는 것에 대한 대안으로서, 상이한 사이즈들을 갖는, 인덴터들 또는 힘들을 가하는 다른 오브젝트들을 구별하도록 피드포워드 뉴럴 네트워크를 트레이닝하는 것을 허용한다. 예를 들어, 측정 표면에 대한 상이한 사이즈들의 접촉 부분들이 사용될 수 있다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는, 적어도 피드포워드 뉴럴 네트워크를 트레이닝하기 위한 힘 테스트들의 일부에 대해, 각각의 전단력들로 인가되는 인덴터로 트레이닝되었다. 이는 측정 표면 상에 가해지는 상이한 전단력들을 구별하기 위해 피드포워드 뉴럴 네트워크를 트레이닝하는 것을 허용한다. 특히, 상이한 전단력들 또는 전단력 컴포넌트들로 복수의 힘 테스트들이 수행될 수 있다.
구현예에 따르면, 측정된 힘들 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다. 따라서, 측정된 힘은 이들 컴포넌트들에 대한 정보를 제공한다. 종래 기술에 따른 전형적인 구현예들에서는, 전단력들이 측정될 수 없다는 것에 유의해야 한다. 그러나, 언급된 컴포넌트들을 갖는 이러한 시뮬레이션된 힘 벡터들이 힘 테스트들로 피드포워드 네트워크를 트레이닝하기 위해 사용될 때, 수직력들에 더하여 전단력들이 복원될 수 있다는 것이 나타났다. 이는 복수의 응용들, 예를 들어 로봇 팁을 제어하기 위한 로봇 응용들에서 가치있는 추가적인 정보를 제공한다.
구현예에 따르면, 측정된 힘들의, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응한다. 특히, 제1 전단력은 제2 전단력에 수직이다. 이는 전단력들의 수직 배향으로 인해, 용이하게 사용가능한 정보를 제공한다.
측정된 힘들은 대안적으로 3 개보다 많거나 적은 컴포넌트들을 또한 가질 수 있다는 것에 유의해야 한다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝되었다. 이는 측정 표면에 가해지는 상이한 전단력들을 구별하기 위해 피드포워드 뉴럴 네트워크를 트레이닝하는 것을 허용한다. 전단력들은, 하나의 힘 테스트에 사용된 힘의 상이한 컴포넌트들 사이에 그리고/또는 상이한 힘 테스트들 사이에 다를 수 있다.
구현예에 따르면, 피드포워드 뉴럴 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝되었다. 이는 측정 표면에 가해지는 상이한 수직력들을 구별하기 위해 피드포워드 뉴럴 네트워크를 트레이닝하는 것을 허용한다. 수직력들은 특히 상이한 힘 테스트들 사이에서 다를 수 있다.
구현예에 따르면, 인덴터에 의해 가해지는 힘들은 인덴터 내의 또는 인덴터에 인접하게 포지셔닝된 힘 센서를 사용하여 측정된다. 이러한 힘 센서는 인덴터에 의해 측정 표면에 가해지는 힘을 측정할 수도 있다. 이는 특히, 예를 들어 앞서 논의된 바와 같은, 힘의 3 가지 컴포넌트들을 측정할 수도 있다. 인덴터에 인접하게 힘 센서를 포지셔닝하는 것은 특히 인덴터와 접촉하도록 그리고/또는 인덴터를 장착하는 오브젝트와 인덴터 사이에 포지셔닝되도록 힘 센서를 포지셔닝하는 것을 포함할 수도 있다.
구현예에 따르면, 시뮬레이션된 힘 벡터들의 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다. 이는 특히 측정된 힘에 대응할 수도 있다. 따라서, 힘 테스트에서 실제 가해진 힘에 대응하는 시뮬레이션을 위해 시뮬레이션된 힘이 사용될 수 있다.
이하에서, 트레이닝에 관련하지 않고, 힘 추론의 실제 프로세스에 관련한 양태들이 설명된다.
구현예에 따르면, 계산된 힘 맵이 기초하는 압력 값들은 동시에 또는 미리 정의된 시간 기간 동안 판독된다. 이는 모든 압력 값들이 힘의 동일한 인가에 관련함을 보장한다.
전형적인 구현들에 따르면, 힘 맵은 적어도 0.25 힘 벡터/mm2, 적어도 0.5 힘 벡터/mm2, 적어도 0.75 힘 벡터/mm2, 적어도 1 힘 벡터/mm2, 적어도 1.5 힘 벡터/mm2, 또는 적어도 2 힘 벡터/mm2를 포함한다.
전형적인 구현예들에 따르면, 힘 맵은 최대 0.25 힘 벡터/mm2, 최대 0.5 힘 벡터/mm2, 최대 0.75 힘 벡터/mm2, 최대 1 힘 벡터/mm2, 최대 1.5 힘 벡터/mm2, 또는 최대 2 힘 벡터/mm2를 포함한다.
이러한 밀도들의 힘 벡터들은, 이들이 충분한 분해능을 제공하고 널리 이용 가능한 계산력(computational power)으로 획득될 수 있으므로, 전형적인 응용들에 적합한 것으로 입증되었다. 각각의 더 낮은 값은 적절한 간격을 형성하도록 각각의 더 높은 값과 조합될 수 있다. 또한, 다른 밀도들의 힘 벡터들이 사용될 수 있다.
전형적인 구현예들에 따르면, 힘 맵은 적어도 500, 적어도 1000, 또는 적어도 2000 개의 힘 벡터들을 포함한다. 전형적인 구현예들에 따르면, 힘 맵은 최대 1000, 최대 2000, 최대 3000, 또는 최대 4000 개의 힘 벡터들을 포함한다. 이러한 구현들은 예를 들어, 센서 배열체가 대략 사람 크기의 로봇의 팁인 경우에 사용될 수 있다.
바람직한 구현예들에 따르면, 각각의 힘 벡터는 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다. 이는 힘 맵이 적절한 3차원 정보를 제공하는 것을 허용한다.
특히, 제1 전단력 컴포넌트는 제1 전단력에 대응할 수도 있고 제2 전단력 컴포넌트는 제2 전단력에 대응할 수도 있다. 제1 전단력은 특히 제2 전단력에 수직일 수도 있다. 이는 힘 맵에 의해 주어지는, 가해진 힘들의 적절한 전단력 정보를 허용한다.
구현예에 따르면, 힘 추론을 위한 방법은 기압 센서들로부터 온도 값들을 판독하는 단계 및 온도 값들에 기초하여 센서 배열체의 온도 정보 또는 온도 맵을 제공하는 단계를 더 포함한다. 이는 추가적인 온도 정보를 제공할 수 있으며, 이는 예를 들어, 로봇 제어 응용에서 사용될 수 있다. 예를 들어, 기압 센서들에 존재하는 온도 측정 기능성이 이러한 목적을 위해 사용될 수 있다.
방법이 힘 맵 및 시뮬레이션된 힘 맵 양자 모두를 포함할 때, 전형적으로 힘 맵은 센서 배열체에 관련하고, 시뮬레이션된 힘 맵은 유한요소 모델에 관련한다는 것에 유의해야 한다. 이들 힘 맵들 중 하나에 대해 주어진 진술들은 전형적으로 이들 힘 맵들 양자 모두를 위해 적용될 수 있다.
이하에서는, 네트워크들의 트레이닝을 위한 별도의 방법들이 설명될 것이다. 이들 방법들은 힘 추론을 위한 방법의 일부가 아니지만, 네트워크들을 트레이닝하기 위해 개별적으로 수행된다. 각각의 특징들에 관하여, 반복을 회피하기 위해, 네트워크들의 트레이닝 및 힘 추론을 위한 방법에 관하여 앞서 이미 주어진 진술들을 참조한다.
본 발명은 복원 네트워크를 트레이닝하기 위한 방법에 관한 것으로,
- 복원 네트워크는 센서 배열체의 유한요소 모델의 가상 센서들을 힘 맵에 매핑하며, 센서 배열체는 복수의 기압 센서들 및 기압 센서들을 커버하고 측정 표면을 제공하는 컴플라이언트 층을 포함하고, 힘 맵은 복수의 힘 벡터들을 포함하고,
- 각각의 가상 센서는 가상 센서 포인트 값을 각각 갖는 하나 이상의 가상 센서 포인트들을 포함하고,
- 복원 네트워크는 다음의 단계들로 트레이닝된다:
- 유한요소 모델에서 복수의 시뮬레이션들을 수행하는 것으로서, 각각의 시뮬레이션은 유한요소 모델의 시뮬레이션된 측정 표면에 대한 하나 이상의 시뮬레이션된 힘들의 동시적인 인가를 포함하는, 상기 복수의 시뮬레이션들을 수행하고, 이에 의해 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘 맵을 계산하는 것으로서, 시뮬레이션된 힘 맵은 복수의 시뮬레이션된 힘 벡터들을 포함하는, 상기 시뮬레이션된 힘 맵을 계산하고, 그리고 대응하는 가상 센서 포인트 값들을 유한요소 모델로 계산하는 단계, 및
- 계산된 시뮬레이션된 힘 맵들 및 대응하는 계산된 가상 센서 포인트 값들로 복원 네트워크를 트레이닝하는 단계.
구현예에 따르면, 시뮬레이션된 측정 표면에 가해진 시뮬레이션된 힘들은 시뮬레이션된 인덴터 형상들을 갖는 각각의 시뮬레이션된 인덴터들에 기초하여 생성된다.
구현예에 따르면, 시뮬레이션된 인덴터 형상들은 적어도 팁, 라운드, 삼각형 단면, 정사각형 단면, 반구, 큐브, 및 원통을 포함하는 그룹으로부터 선택된다.
구현예에 따르면, 복원 네트워크는 복수의 상이한 시뮬레이션된 인덴터 형상들을 사용하여 트레이닝된다.
구현예에 따르면, 복원 네트워크는 복수의 사이즈들의 시뮬레이션된 인덴터들을 사용하여 트레이닝된다.
구현예에 따르면, 2 개 이상의 시뮬레이션된 인덴터들에 기초하여 생성된 시뮬레이션된 힘들의 동시적인 인가를 포함하는 시뮬레이션들의 적어도 일부로 복원 네트워크가 트레이닝된다.
구현예에 따르면, 오직 1 개의 시뮬레이션된 인덴터에 기초하여 생성된 시뮬레이션된 힘들의 인가를 포함하는 시뮬레이션들의 적어도 일부로 복원 네트워크가 트레이닝된다.
구현예에 따르면, 시뮬레이션된 힘 벡터들의 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다.
구현예에 따르면, 시뮬레이션된 힘 벡터들의, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응하며, 제1 전단력은 제2 전단력에 수직이다.
구현예에 따르면, 복원 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 시뮬레이션된 힘들을 사용하여 트레이닝된다.
구현예에 따르면, 복원 네트워크는 상이한 수직력 컴포넌트들을 갖는 복수의 시뮬레이션된 힘들을 사용하여 트레이닝된다.
구현예에 따르면, 복원 네트워크는 전달 네트워크 및 복원 네트워크를 사용하는 것과 관련하여 전술한 바와 같은 방법에서 사용된다.
각각의 구현예들에 따르면,
- 힘 맵은 적어도 0.25 힘 벡터/mm2, 적어도 0.5 힘 벡터/mm2, 적어도 0.75 힘 벡터/mm2, 적어도 1 힘 벡터/mm2, 적어도 1.5 힘 벡터/mm2, 또는 적어도 2 힘 벡터/mm2를 포함하고,
그리고/또는
- 힘 맵은 최대 0.25 힘 벡터/mm2, 최대 0.5 힘 벡터/mm2, 최대 0.75 힘 벡터/mm2, 최대 1 힘 벡터/mm2, 최대 1.5 힘 벡터/mm2, 또는 최대 2 힘 벡터/mm2를 포함한다.
구현예들에 따르면, 각각의 힘 벡터는 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다.
구현예에 따르면,
- 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응하고, 그리고
- 제1 전단력은 제2 전단력에 수직이다.
시뮬레이션된 힘 맵 및 그의 시뮬레이션된 힘 벡터들에 대해서도 마찬가지일 수도 있다.
본 발명은 전달 네트워크를 트레이닝하기 위한 방법에 관한 것으로,
- 전달 네트워크는 센서 배열체의 기압 센서들을 센서 배열체의 유한요소 모델의 복수의 가상 센서들에 매핑하며, 센서 배열체는 복수의 기압 센서들 및 기압 센서들을 커버하고 측정 표면을 제공하는 컴플라이언트 층을 포함하고,
- 각각의 가상 센서는 가상 센서 포인트 값을 각각 갖는 하나 이상의 가상 센서 포인트들을 포함하고,
- 전달 네트워크는 다음의 단계들로 트레이닝된다:
- 센서 배열체에 대해 복수의 힘 테스트들을 수행하는 것으로서, 각각의 힘 테스트는 센서 배열체의 측정 표면 상의 포지션에 대한 1 개의 인덴터에 의한 힘의 인가를 포함하는, 상기 복수의 힘 테스트들을 수행하고, 동시에 인덴터에 의해 가해진 힘을 측정하고 그리고 동시에 압력 값들을 기압 센서들로 측정하는 단계,
- 각각의 힘 테스트에 대해, 유한요소 모델로 대응하는 시뮬레이션을 수행하는 것으로서, 각각의 시뮬레이션은 유한요소 모델의 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘의 인가를 포함하는, 상기 대응하는 시뮬레이션을 수행하고, 이에 의해 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘 맵을 계산하는 것으로서, 시뮬레이션된 힘 맵은 복수의 시뮬레이션된 힘 벡터들을 포함하고, 시뮬레이션된 힘이 측정된 힘에 대응하고 측정 표면 상의 포지션에 대응하는 시뮬레이션된 측정 표면 상의 포지션에 가해지는, 상기 시뮬레이션된 힘 맵을 계산하고, 그리고 대응하는 가상 센서 포인트 값들을 유한요소 모델로 계산하는 단계, 및
- 측정된 압력 값들 및 대응하는 계산된 가상 센서 포인트 값들로 전달 네트워크를 트레이닝하는 단계.
구현예에 따르면, 전달 네트워크를 트레이닝하기 위한 힘 테스트들은 각각의 인덴터 형상을 각각 갖는 복수의 인덴터들로 수행된다.
구현예에 따르면, 인덴터 형상들은 적어도 팁, 라운드, 삼각형 단면, 정사각형 단면, 반구, 큐브, 및 원통을 포함하는 그룹으로부터 선택된다.
구현예에 따르면, 대응하는 힘 테스트들에 사용된 실제 인덴터 형상들에 대응하는 각각의 시뮬레이션된 인덴터 형상들을 갖는 시뮬레이션된 인덴터들에 기초하여 시뮬레이션된 힘들로 시뮬레이션들이 수행된다.
구현예에 따르면, 전달 네트워크는 복수의 상이한 인덴터 형상들을 사용하여 트레이닝된다.
구현예에 따르면, 전달 네트워크는 상이한 사이즈들을 갖는 복수의 인덴터들을 사용하여 트레이닝된다.
구현예에 따르면, 적어도 전달 네트워크를 트레이닝하기 위한 힘 테스트들의 일부에 대해, 각각의 전단력들로 가해지는 인덴터들로 전달 네트워크가 트레이닝된다.
구현예에 따르면, 측정된 힘들 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다.
구현예에 따르면, 측정된 힘 벡터들의, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응하며, 제1 전단력은 제2 전단력에 수직이다.
구현예에 따르면, 전달 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝된다.
구현예에 따르면, 전달 네트워크는 상이한 수직력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝된다.
구현예에 따르면, 인덴터에 의해 가해지는 힘들은 인덴터 내의 또는 인덴터에 인접하게 포지셔닝된 힘 센서를 사용하여 측정된다.
구현예에 따르면, 시뮬레이션된 힘 벡터들의 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다.
구현예에 따르면, 전달 네트워크는 전달 네트워크 및 복원 네트워크를 사용하는 것과 관련하여 전술한 바와 같은 방법에서 사용된다.
본 발명은 피드포워드 뉴럴 네트워크를 트레이닝하기 위한 방법에 관한 것으로,
- 피드포워드 뉴럴 네트워크는 기압 센서들의 압력 값들에 기초하여 센서 배열체의 측정 표면 상의 힘 맵을 계산하며, 센서 배열체는 복수의 기압 센서들 및 기압 센서들을 커버하고 측정 표면을 제공하는 컴플라이언트 층을 포함하고, 힘 맵은 복수의 힘 벡터들을 포함하고,
- 피드포워드 뉴럴 네트워크는 다음 단계들로 트레이닝된다:
- 센서 배열체에 대해 복수의 힘 테스트들을 수행하는 것으로서, 각각의 힘 테스트는 센서 배열체의 측정 표면 상의 포지션에 대한 1 개의 인덴터에 의한 힘의 인가를 포함하는, 상기 복수의 힘 테스트들을 수행하고, 동시에 인덴터에 의해 가해진 힘을 측정하고 그리고 동시에 압력 값들을 기압 센서들로 측정하는 단계,
- 각각의 힘 테스트에 대해, 센서 배열체의 유한요소 모델로 대응하는 시뮬레이션을 수행하는 것으로서, 각각의 시뮬레이션은 유한요소 모델의 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘의 인가를 포함하는, 상기 대응하는 시뮬레이션을 수행하고, 이에 의해 시뮬레이션된 측정 표면에 대한 시뮬레이션된 힘 맵을 계산하는 것으로서, 시뮬레이션된 힘 맵은 복수의 시뮬레이션된 힘 벡터들을 포함하고, 시뮬레이션된 힘은 측정된 힘에 대응하며 측정 표면 상의 포지션에 대응하는 시뮬레이션된 측정 표면 상의 포지션에 가해지는, 상기 시뮬레이션된 힘 맵을 계산하는 단계; 및
- 측정된 압력 값들 및 대응하는 계산된 시뮬레이션된 힘 맵들로 피드포워드 뉴럴 네트워크를 트레이닝하는 단계.
일 구현에 따르면, 피드포워드 뉴럴 네트워크를 트레이닝하기 위한 힘 테스트들은 각각의 인덴터 형상을 각각 갖는 복수의 인덴터들로 수행된다.
일 구현에 따르면, 인덴터 형상들은 적어도 팁, 라운드, 삼각형 단면, 정사각형 단면, 반구, 큐브, 및 원통을 포함하는 그룹으로부터 선택된다.
일 구현에 따르면, 대응하는 힘 테스트에 사용된 실제 인덴터 형상들에 대응하는 각각의 시뮬레이션된 인덴터 형상들을 갖는 시뮬레이션된 인덴터들에 기초하여 시뮬레이션된 힘들로 시뮬레이션들이 수행된다.
일 구현에 따르면, 피드포워드 뉴럴 네트워크는 복수의 상이한 인덴터 형상들을 사용하여 트레이닝된다.
일 구현에 따르면, 피드포워드 뉴럴 네트워크는 상이한 사이즈들을 갖는 복수의 인덴터들을 사용하여 트레이닝된다.
일 구현에 따르면, 피드포워드 뉴럴 네트워크는, 적어도 피드포워드 뉴럴 네트워크를 트레이닝하기 위한 힘 테스트들의 일부에 대해, 각각의 전단력들로 가해지는 인덴터들로 트레이닝된다.
일 구현에 따르면, 측정된 힘들 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다.
일 구현에 따르면, 측정된 힘들의, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응하고, 여기서 제1 전단력은 제2 전단력에 수직이다.
일 구현에 따르면, 피드포워드 뉴럴 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝된다.
일 구현에 따르면, 피드포워드 뉴럴 네트워크는 상이한 전단력 컴포넌트들을 갖는 복수의 힘들을 사용하여 트레이닝된다.
일 구현에 따르면, 힘들은 인덴터 내의 또는 인덴터에 인접하게 포지셔닝된 힘 센서를 사용하여 측정된다.
일 구현에 따르면, 시뮬레이션된 힘 벡터들의 각각은 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다.
일 구현에 따르면, 시뮬레이션된 힘 벡터들의, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응하고, 여기서 제1 전단력은 제2 전단력에 수직이다.
일 구현에 따르면, 피드포워드 뉴럴 네트워크는 전술한 바와 같이 힘 추론을 위한 방법에 사용된다.
각각의 구현들에 따르면,
- 힘 맵은 적어도 0.25 힘 벡터/mm2, 적어도 0.5 힘 벡터/mm2, 적어도 0.75 힘 벡터/mm2, 적어도 1 힘 벡터/mm2, 적어도 1.5 힘 벡터/mm2, 또는 적어도 2 힘 벡터/mm2을 포함한다,
그리고/또는
- 힘 맵은 최대 0.25 힘 벡터/mm2, 최대 0.5 힘 벡터/mm2, 최대 0.75 힘 벡터/mm2, 최대 1 힘 벡터/mm2, 최대 1.5 힘 벡터/mm2, 또는 최대 2 힘 벡터/mm2을 포함한다.
일 구현에 따르면, 각각의 힘 벡터는 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함한다.
일 구현에 따르면, 제1 전단력 컴포넌트는 제1 전단력에 대응하고 제2 전단력 컴포넌트는 제2 전단력에 대응하고, 여기서 제1 전단력은 제2 전단력에 수직이다.
이하에서, 본 명세서에 개시된 방법들이 적용될 수 있는 센서 배열체의 세부사항들이 설명된다. 이에 따라 적용될 수 있는, 본 명세서에 주어진 그러한 센서 배열체의 세부사항들 또는 설명들에 대해 참조가 추가로 이루어진다.
특히, 본 명세서에 개시된 방법에서, 센서 배열체는 힘들을 감지하기 위한 센서 배열체일 수도 있으며, 센서 배열체는 다음을 포함한다:
- 연성 회로 기판,
- 연성 회로 기판 상에 장착되는 다수의 기압 센서들,
- 강성 코어로서, 연성 회로 기판이 강성 코어를 적어도 부분적으로 커버하며 기압 센서들이 강성 코어로부터 돌출되도록, 연성 회로 기판이 감싸서 장착되는, 상기 강성 코어, 및
- 기압 센서들을 커버하고 측정 표면을 제공하는 컴플라이언트 층.
그러나, 본 명세서에 개시된 힘 추론 및 트레이닝을 위한 개념들은 또한 다른 센서 배열체들을 위해 사용될 수 있다는 것에 유의해야 한다. 이는 특히 상이한 인덴터 사이즈들, 상이한 인덴터 형상들, 상이한 전단력들 및/또는 상이한 전단력 컴포넌트의 사용에 관한 것이다. 이러한 개념들은 일반화될 수 있다.
실시예에 따르면, 강성 코어는 돔 형상이다.
구현예에 따르면, 강성 코어는 복수의 패싯들을 가지며, 각각의 기압 센서는 복수의 패싯들 중 하나 상에 포지셔닝된다.
구현예에 따르면, 컴플라이언트 층은 플라스틱 재료 또는 고무를 포함하거나 또는 이로 구성된다.
구현예에 따르면, 플라스틱 재료는 열가소성 수지, 엘라스토머, 열가소성 엘라스토머 또는 열경화성 수지이다.
구현예에 따르면, 컴플라이언트 층은 측정 표면에 가해진 힘을 기압 센서들의 적어도 일부에 계전한다.
구현예에 따르면, 기압 센서들은 연성 회로 기판 상의 도체 경로들에 의해 연결된다.
구현예에 따르면, 연성 회로 기판은 별표 형상이다.
구현예에 따르면, 연성 회로 기판은 중앙부에서 연결된 복수의 암들을 포함한다.
각각의 구현예들에 따르면, 기압 센서들은 적어도 1 mm, 적어도 2 mm, 적어도 3 mm, 적어도 4 mm, 또는 적어도 5 mm의 거리로 그리고/또는 최대 1 mm, 최대 2 mm, 최대 3 mm, 최대 4 mm, 또는 최대 5 mm의 거리로 배열된다.
구현예에 따르면, 센서 배열체는 로봇 팁 및/또는 로봇의 조작 요소이다.
구현예에 따르면, 강성 코어는 3D 프린팅된 부분이다.
본 발명은 추가로, 힘들을 감지하기 위한 센서 배열체의 힘 추론을 위한 힘 추론 모듈에 관한 것이며, 힘 추론 모듈은 본 명세서에 개시된 바와 같은 방법을 수행하도록 구성된다. 방법과 관련하여, 모든 실시예들 및 변형예들이 적용될 수 있다.
본 발명은 힘들을 감지하기 위한 센서 배열체에 관한 것으로, 상기 센서 배열체는 다음 중 하나, 일부 또는 전부를 포함한다:
- 연성 회로 기판,
- 연성 회로 기판 상에 장착되는 다수의 기압 센서들,
- 강성 코어로서, 연성 회로 기판이 강성 코어를 적어도 부분적으로 커버하며 기압 센서들이 강성 코어로부터 돌출되도록, 연성 회로 기판이 감싸서 장착되는, 상기 강성 코어,
- 기압 센서들을 커버하고 측정 표면을 제공하는 컴플라이언트, 및
- 본 발명에 따른 힘 추론 모듈.
힘 추론 모듈을 포함하는 센서 배열체에 관하여, 특히 본 명세서에 설명된 바와 같이, 힘 추론 모듈의 그리고 센서 배열체 및 그의 컴포넌트들의 모든 실시예들 및 변형예들이 적용될 수 있다.
추가 양태들 및 이점들은 첨부된 도면들의 하기 설명으로부터 당업자에게 명백할 것이다. 이들은 다음을 도시한다:
도 1: 센서 배열체,
도 2: 강성 코어,
도 3: 연성 회로 기판,
도 4: 연성 회로 기판을 갖는 강성 코어,
도 5: 몰드 분해도,
도 6: 조립된 상태의 몰드,
도 7: 연성 회로 기판에 의해 커버된 강성 코어를 갖는 몰드 분해도,
도 8: 기압 센서들을 커버하기 위한 상태의 연성 회로 기판을 갖는 강성 코어 및 몰드,
도 9: 힘 추론에 대한 개략도,
도 10: 유한요소 모델,
도 11: 여러 상이한 인덴터들,
도 12: 힘 테스트들을 실행하기 위한 배열,
도 13: 전달 네트워크를 트레이닝하기 위한 프로세스의 흐름도,
도 14: 복원 네트워크를 트레이닝하기 위한 프로세스의 흐름도,
도 15: 피드포워드 뉴럴 네트워크를 트레이닝 하기 위한 프로세스의 흐름도, 및
도 16: 힘 맵의 예시.
도 1은 본 발명의 실시예에 따른 센서 배열체(10)를 도시한다.
센서 배열체(10)는, 돔 형상인 강성 코어(100)를 포함한다. 강성 코어(100)는, 강성 코어(100) 상에 고정적으로 장착되는 연성 회로 기판(300)에 의해 부분적으로 커버된다. 연성 회로 기판(300)은 컴플라이언트 층(200)으로 커버된다.
복수의 기압 센서들(400)은 연성 회로 기판(300) 상에 적용된다. 이들은 강성 코어(100)로부터 돌출된다. 컴플라이언트 층(200)은 힘이 가해질 수 있는 측정 표면(210)을 제공한다. 컴플라이언트 층(200)은 연성이고 탄성적이어서, 측정 표면(210)에 가해진 힘은 측정 표면(210)의 로컬적 변형을 초래하며, 여기서 컴플라이언트 층(200)은 기압 센서들(400)의 적어도 일부로 이들 힘을 계전한다. 따라서, 기압 센서들(400)은 힘 또는 가해진 힘들을 평가하기 위해 사용될 수 있다.
연성 회로 기판(300)은 복수의 패싯들을 포함한다. 이들 패싯들은, 도 2에 상세히 도시된 바와 같이, 강성 코어(100) 상에 구조화된 패싯들에 대응한다.
연성 회로 기판(300)은 중앙부(305)를 가지며, 본 실시예에서는 이로부터 6 개의 암들이 뻗어 나온다. 이러한 중앙부(305)는 패싯으로 간주될 수도 있다. 암들은 도 3에 모두 도시되어 있다. 도 1에서는, 이들 암들 중 오직 3 개의 암들, 즉 제1 암(310), 제2 암(320) 및 제3 암(330)만이 보이고 참조 부호들에 의해 표기된다.
각각의 암은 3 개의 패싯들로 나뉘며, 예를 들어 제1 암(310)은 제1 패싯(311), 제2 패싯(312), 및 제3 패싯(313)으로 나뉜다. 다른 암들은 이에 따라 나뉘며, 여기서 연성 회로 기판(300)의 패싯들(321, 322, 323, 331, 332 및 333)을 도 1에서 볼 수 있다.
본 실시예에서, 각각의 패싯은 1 개의 기압 센서(400)를 수용한다. 또한, 중앙부(305)는 하나의 기압 센서(400)를 수용한다. 또한 다른 구성들이 가능하며, 예를 들어, 패싯은 1 개 보다 많은 기압 센서(400)를 포함하거나 기압 센서(400)를 포함하지 않을 수 있다는 것에 유의해야 한다.
기압 센서들(400)은 연성 회로 기판(300) 상에서 서로 이격되어 배치됨을 유의해야 한다. 그러나, 가해진 힘들과 관련하여 훨씬 더 미세한 분해능이 아래에서 설명되는 기법들을 사용하여 달성될 수 있다.
도 2는 별도로 강성 코어(100)를 도시한다. 강성 코어(100)는 모두 6 개의 표면 영역들을 포함하며, 이들 중 제1 표면 영역(110), 제2 표면 영역(120), 및 제3 표면 영역(130)이 도 2에서 보이고 표기된다. 각각의 표면 영역(110, 120, 130)은 3 개의 패싯들로 나뉘며, 여기서 예를 들어, 제1 표면 영역(110)은 제1 패싯(111), 제2 패싯(112), 및 제3 패싯(113)으로 나뉜다. 이에 따라 다른 표면 영역들이 나뉘며, 여기서 패싯들(121, 122, 123, 131, 132 및 133)을 도 2에서 볼 수 있다. 강성 코어(100)의 상단에서, 중앙부(105)는 표면 영역들을 연결한다.
강성 코어(100)의 패싯들은 연성 회로 기판(300)의 패싯들을 정의한다. 구체적으로, 패싯들은 서로 다른 배향을 갖고, 연성 회로 기판(300)은 패싯들의 각 방향들에 적응된다.
도 2에서, 강성 코어(100)가, 예를 들어 로봇의 손가락 끝을 위해 사용될 수 있는, 돔 형상인 것이 또한 명백하게 도시되어 있다.
도 3은 기압 센서들(400)이 장착된 연성 회로 기판(300)을 별도로 도시한다. 이미 언급된 바와 같이, 연성 회로 기판(300)은 중심부(305)에서 함께 연결되는 6 개의 암들(310, 320, 330, 340, 350, 360)을 갖는다. 본 실시예에서는 연성 회로 기판(300) 상에 장착된 모두 19 개의 기압 센서들(400)이 있다. 더 많거나 적은 기압 센서들이 다른 실시예들에서 사용될 수 있다.
도 3에 도시된 패싯들이 없으며, 이는 이들 패싯들이 연성 회로 기판(300)의 고유 특징이 아니기 때문인 것에 유의해야 한다. 도 1에 도시된 연성 회로 기판(300)의 패싯들은 오히려 도 2에 도시된 강성 코어(100) 상에 연성 회로 기판(300)이 장착된 결과이다.
각각의 암(310, 320, 330, 340, 350, 360)에서 각각의 홀(hole)(315, 325, 335, 345, 355, 365)이 제공되며, 이는 예를 들어, 예컨대 제조 동안에, 연성 회로 기판(300)을 강성 코어(100)에 체결하기 위해, 사용될 수 있다는 점에 유의해야 한다.
도 4는 도 2의 강성 코어(100) 상에 장착된 도 3의 연성 회로 기판(300)을 도시한다. 따라서, 연성 회로 기판(300)의 패싯들은 강성 코어(100)의 구조를 취하는 연성 회로 기판(300)에 의해 이미 형성되어 있다. 도 4에 도시된 배열체는 도 1에 도시된 컴플라이언트 층(200)을 아직 갖지 않는다. 컴플라이언트 층(200) 및 그의 측정 표면(210)이 어떻게 형성되는지가 다음 도면들을 참조하여 도시될 것이다.
도 5는 몰드(500)를 분해도로 나타낸다. 몰드(500)는 제1 부분(510) 및 제2 부분(520)을 포함한다. 도 5에 도시된 바와 같이, 부분들(510, 520)이 조립될 때 중공 내부(530)가 몰드(500)의 상단으로만 개방되도록 중공 내부(530)가 부분들(510, 520) 내측에 형성된다. 또한 몰드(500)는, 도 4에 도시된 바와 같은, 연성 회로 기판이 장착된 강성 코어의 배열체를 체결하기 위해 상단부(540)를 포함한다.
도 6은 조립된 상태의 몰드(500)를 도시한다. 따라서, 중공 내부(530)는 몰드(500)의 상단으로만 개방되고, 상단부(540)는 중공 내부(530) 위에 연장된다.
도 7은 연성 회로 기판(300) 및 이에 장착된 기압 센서들(400)을 갖는 강성 코어(100)의 배열과 함께 이미 설명된 바와 같은 몰드(500)를 도시한다. 도 7은 분해도를 도시하는 한편, 도 8은 그의 조립된 상태를 도시한다. 도 8에 도시된 상태에서, 강성 코어(100)는 몰드의 상단부(540)에 장착되고, 강성 코어(100)는 상단부(540)로부터 중공 내부(530) 내로 하향 돌출한다.
도 8에 도시된 상태에서, 재료, 예를 들어 플라스틱 재료가 유체 형태로 중공 내부(530)에 충전될 수 있다. 이것은, 유체 특성들로 인해 다루기 용이하다. 컴플라이언트 층(200)이 연성 회로 기판(300) 및 강성 코어(100)를 커버해야 하는 포지션에 대응하는 레벨까지 연성 회로 기판(300) 및 강성 코어(100)가 재료에 의해 커버되도록 재료가 중공 내부(530)에 충전될 수 있다. 중공 내부(530)의 표면은 최종 상태의 측정 표면(210)을 정의한다.
재료로 충전한 후, 강성 코어(100)와 그에 장착된 연성 회로 기판(300) 및 이미 충전된 재료를 갖는 몰드(500)의 배열체가 진공 챔버에 투입된다. 진공 챔버는 배기될 것이고, 재료는 탈기될 것이다. 탈기함으로써, 재료는 컴플라이언트 층(200)으로 변형되어, 도 1에 도시된 센서 배열체가(10)가 제조되었다.
이들 도면들과 관련하여 도시된 프로세스는, 단지 몇몇 특정 컴포넌트들만을 요구하고 수행하기 용이한 센서 배열체(10)를 위한 제조 프로세스이다. 따라서, 종래 기술에 공지된 훨씬 더 비용이 많이 드는 실시예들에 비해 상당히 비용이 감소될 수 있다.
도 9는 센서 배열체(10), 예를 들어 앞서 설명된 바와 같은 센서 배열체(10)의 힘 추론을 위한 방법의 개략도를 도시한다. 이미 언급된 바와 같이, 센서 배열체(10)는 복수의 기압 센서들(400)을 포함한다. 이러한 기압 센서들(400)은, 각각의 기압 센서(400)에 의해 컴플라이언트 층(200) 아래의 그의 포지션에서 감지된 압력을 나타내는, 각각의 압력 값들(R1, R2, ..., Rx)을 각각의 출력 값들로서 생성한다.
이러한 압력 값들(R)은 전달 네트워크(TN)의 입력을 형성하며, 상기 전달 네트워크는 센서 배열체(10)의 유한요소 모델(10a)의 복수의 가상 센서들에 기압 센서들(400)을 매핑하는 뉴럴 네트워크이다. 가상 센서들은 도 10에 관련하여 아래에서 추가로 설명될 것이다. 가상 센서들의 각각은, 가상 센서 포인트 값 S1, S2, ..., Sx를 각각 갖는 하나 이상의 가상 센서 포인트들을 포함한다. 또한, 이는 도 10에 관련하여 아래에서 추가로 상세히 설명될 것이다.
전달 네트워크(TN)가 압력 값들(R)을 가상 센서 포인트 값들(S)에 매핑한다는 사실은, 전달 네트워크(TN)가 입력으로서 얻는 압력 값들(R)의 각각의 조합에 대한 출력으로서 가상 센서 포인트 값들(S)의 세트를 전달한다는 것을 의미한다. 이는 전달 네트워크(TN)의 트레이닝을 필요로 하며, 이는 특히 본 명세서에 설명된 바와 같이 수행될 수 있다.
가상 센서 포인트 값들(S1, S2, ..., Sx)은 복원 네트워크(RN)의 입력을 형성하며, 상기 복원 네트워크는 유한요소 모델(10a)의 가상 센서들을 힘 맵(FM)에 매핑하는 뉴럴 네트워크이다. 힘 맵(FM)은 복수의 힘 벡터들(F1, F2, ..., Fx)을 포함하며, 여기서 힘 맵(FM)의 힘 벡터들(F)은 각각 3 개의 컴포넌트들, 즉 수직력 컴포넌트 및 2 개의 수직한 전단력 컴포넌트들을 갖는다. 따라서, 각각의 힘 벡터(F)는 측정 표면(210) 상의 특정 포인트에서의 가해진 힘의 값 및 그의 방향을 제공한다. 포스 맵(FM)은 도 16을 참조하여 추가로 설명된다.
복원 네트워크(RN)가 가상 센서 포인트 값들(S)을 힘 맵(FM)에 매핑한다는 사실은, 복원 네트워크(RN)가 입력으로서 얻는 가상 센서 포인트 값들(S)의 각각의 조합에 대한 출력으로서 힘 벡터들(F)의 세트를 전달한다는 것을 의미한다. 이는 복원 네트워크(RN)의 트레이닝을 필요로 하며, 이는 특히 본 명세서에 설명된 바와 같이 수행될 수 있다.
전달 네트워크(TN)와 복원 네트워크(RN)는 함께 피드포워드 뉴럴 네트워크(FFNN)을 구성하며, 이는 기압 센서들(400)을 힘 맵(FM)에 매핑하기 위한 뉴럴 네트워크로서 간주되어야 하며, 도시되고 이미 설명된 바와 같이 두 부분들로 분할된다.
전달 네트워크(TN)를 트레이닝하기 위해, 방법 T1이 사용될 수 있다. 복원 네트워크(RN)를 트레이닝하기 위해, 방법 T2가 사용될 수 있다. 전체 피드포워드 뉴럴 네트워크(FFNN)를 트레이닝하기 위해, 방법 T3가 사용될 수 있다. 이러한 방법들은 아래에서 더 설명된다.
일반화로서의 뉴럴 네트워크, 또는 인공 지능의 사용은 인공 지능이 산출하지 않는 직접적인 힘 추론보다 기압 센서들로부터 훨씬 더 많은 정보를 추출할 수 있게 한다. 특히, 가해진 힘들은 기압 센서들(400)의 간격보다 훨씬 큰 분해능으로 평가될 수 있다. 또한, 전단력들 및/또는 얼마나 많은 인덴터들이 인가되었는지 및 이들의 포지션 같은 추가적인 정보가 추출될 수 있다. 이러한 정보는 압력 값들(R)에 기초하여 계산되는 힘 맵(FM)에 포함된다.
도 10은 센서 배열체(10)의 유한요소 모델(10a)을 도시한다. 이 유한요소 모델(10a)은 도 9와 관련하여 설명된 힘 추론을 위한 프로세스에서 사용된다. 도 10에서 구조적 세부사항들이 센서 배열체(10)에 관련하여 도시되지만, 유한요소 개념들이 공지된 기술에 의존하기 때문에, 유한요소 계산의 구현의 특정 세부사항들은 없다는 것에 유의해야 한다. 원칙적으로, 유한요소 모델(10a)은 실제 센서 배열체(10)의 전자적 표현이며, 따라서 센서 배열체(10)의 거동은 유한요소 모델(10a)로 시뮬레이션될 수 있다.
센서 배열체(10)의 모든 컴포넌트들은 유한요소 모델(10a)에서의 대응하는 컴포넌트들을 가지며, 여기서 유한요소 모델(10a)에서의 컴포넌트들은 문자 "a"로 표기된다. 센서 배열체(10)와 유한요소 모델(10a) 사이의 구조적 차이는, 센서 배열체(10)의 기압 센서들(400)이 유한요소 모델(10a)의 가상 센서들(400a)에 의해 대체된다는 사실이다. 각각의 가상 센서(400a)는 하나 이상의 센서 포인트들(410a)을 포함하며, 각각의 가상 센서(400a)가 12 개의 가상 센서 포인트들(410a)을 포함하는 구현예가 도시된다. 각각의 가상 센서 포인트(410a)는 도 9와 관련하여 이미 논의된 바와 같이, 각각의 가상 센서 포인트 값(S)을 갖는다. 그러나, 각각의 가상 센서(400a)에 대한 다른 수들의 가상 센서 포인트들(410a)이 또한 사용될 수 있다.
따라서, 유한요소 모델(10a)의 시뮬레이션된 측정 표면(210a)에 가해진 시뮬레이션된 힘(605a)은, 컴플라이언트 층(200), 즉 시뮬레이션된 컴플라이언트 층(200a)의 유한요소 표현에 의해 가상 센서들(400a) 및 그의 가상 센서 포인트들(410a)에 계전된다. 이러한 계전된 힘은 각각의 가상 센서 포인트 값들(S)을 발생시킨다. 이는, 각각의 가해진 시뮬레이션된 힘(605a) 또는 시뮬레이션된 힘(605a)의 조합에 대한 각각의 가상 센서 포인트 값들(S)을 제공하는 시뮬레이션을 수행하기 위해 사용될 수 있다.
이러한 시뮬레이션된 힘들(605a)은 시뮬레이션된 인덴터들(600a)에 의해 가해질 수 있으며, 여기서 이러한 시뮬레이션된 인덴터들(600a) 중 2 개가 도 10에서 예로서 도시되어 있다. 이들 시뮬레이션된 인덴터들(600a)로, 시뮬레이션된 힘들이 시뮬레이션된 측정 표면(210a)에 가해질 수 있고, 가상 센서 포인트 값들(S)은 표준 유한요소 모델 방법들에 의해 계산될 수 있다.
이러한 시뮬레이션들로부터 취득되는 데이터는 복원 네트워크(RN)를 트레이닝하기 위해 사용될 수 있으며, 여기서 전형적으로 복수의 이러한 시뮬레이션들, 예를 들어 1,000 시뮬레이션들 또는 일부 10,000 시뮬레이션들이 트레이닝을 위해 사용되고, 이들 시뮬레이션들은 전형적으로는, 특히 상이한 형상들 및/또는 사이즈들을 갖는, 상이한 타입들의 시뮬레이션된 인덴터들(600a)로 그리고 상이한 수들의 시뮬레이션된 인덴터들(600a)로, 예를 들어 1 개의 인덴터(600a), 2 개의 인덴터들(600a) 및/또는 3 개의 인덴터들(600a)로 수행된다. 이러한 시뮬레이션들은 순수 컴퓨터 시뮬레이션에 의해 수행될 수 있고, 처리하기 복잡한 어떠한 실험 셋업도 필요하지 않다. 이것은 복원 네트워크(RN)의 매우 효율적이고 신뢰성 있는 트레이닝을 허용하며, 이는 따라서 실험 능력들이 제한되더라도 힘 맵(FM)을 복원하는 훨씬 더 많은 능력들을 얻는다.
도 11은, 도 12와 관련하여 후술되는 바와 같이 실험 셋업에서의 사용을 위한 물리적 인덴터들(600)일 수도 있거나, 시뮬레이션된 인덴터들(600a)일 수 있는, 4 개의 상이한 인덴터들(600)의 형상들을 개략적으로 도시한다.
도 11a는 측정 표면(210)에 대해 접촉부에서 편평한 형상을 갖는 인덴터(600)를 도시한다. 도 11b는 팁 형상의 접촉부를 갖는 인덴터(600)를 도시한다. 도 11c는 반구 같은 형상의 접촉부를 갖는 인덴터(600)를 도시한다. 도 11d는 도 11c에 도시된 인덴터(600)와 동일한 타입의 접촉부를 갖지만 더 작은 사이즈를 갖는 인덴터(600)를 도시한다. 이러한 상이한 인덴터들(600)을 사용하는 것은 이러한 상이한 형상들에 대하여 뉴럴 네트워크의 트레이닝을 최적화할 수 있으며, 이는 이러한 상이한 인덴터들(600)로 트레이닝된 뉴럴 네트워크들의 능력들이 상이한 인덴터 형상들을 갖는 인덴터들(600)에 의해 가해지는 복원력들에 대하여 증가된다는 것을 의미한다. 예로서 달리 말하면, 편평한 형상을 갖는 인덴터(600)의 인가 후에 복원된 힘 맵(FM)은 반구 형상을 갖는 인덴터(600)의 인가 후에 복원된 힘 맵(FM)과 상이할 것이다.
도 12는 힘 테스트들을 수행하기 위한 실험 셋업(700)을 도시한다. 실험 셋업(700)은, 제1 머신 암(720)이 장착되는 하단부(710)를 포함한다. 제1 머신 암(720) 상에, 관절(730)이 포지셔닝된다. 제2 머신 암(740)은 관절(730)에 체결된다. 관절(730)은 제2 머신 암(740)을 활동적으로 움직이기 위해 사용될 수 있으며, 여기서, 도시되지 않은, 전기 드라이브들이 그러한 움직임을 위해 사용된다.
제2 머신 암(740)의 타단부에는, 전술된 바와 같은 센서 배열체(10)가 포지셔닝된다. 이는 본 명세서에 단지 개략적으로 도시되며, 센서 배열체(10)의 외부 표면은 이미 설명된 바와 같이 측정 표면(210)이다.
실험 셋업(700)은, 힘 센서(610)가 장착되는 상단부(750)를 더 포함한다. 힘 센서(610)에서는 인덴터(600)가 장착된다. 관절(730)은 이제 인덴터(600)에 대하여 센서 배열체(10)를 가압하기 위해 사용될 수 있으며, 여기서 이러한 힘 테스트 동안 압력 값들(R)이 기압 센서(400)로부터 판독되고, 인덴터(600)에 의해 측정 표면(210)에 대해 가해진 힘(605)이 힘 센서(610)로 측정된다. 힘 센서(610)는, 수직력 컴포넌트와 전단력 컴포넌트들 양자 모두가 측정되도록 3차원 힘을 측정한다. 3차원 힘은 글로벌 좌표계로 표현될 수도 있거나, 측정 표면(210) 상의 포인트에 수직한 법선 컴포넌트 및 통상적으로 법선 컴포넌트에 수직이고 통상적으로 서로 수직인 2 개의 전단력 컴포넌트들로 표현될 수도 있다. 좌표계의 컴포넌트들이 다른 좌표계로 공지된 경우, 이들을 계산하는 데 좌표 변환이 사용될 수 있다.
인덴터(600)가 측정 표면(210)에 접촉하는 포지션이 카메라(620)에 의해 관찰된다. 이는, 이미지 인식에 의한 측정 표면(210) 상의 이 포지션의 좌표의 계산을 허용한다. 대안으로서, 그러한 포지션은 예를 들어, 머신 파라미터들을 사용하여 계산될 수 있다.
인덴터(600)가 고정식(stationary)이고 센서 배열체(10)가 실험 셋업(700)에서 움직인다는 사실은, 예컨대 3D 프린터들로부터 공지된 관절 셋업들의 사용을 허용한다. 그러나, 힘 테스트들은 대안적으로, 예를 들어 고정식 센서 배열체(10)를 갖는 인덴터(600)를 움직임으로써, 또는 센서 배열체(10) 및 인덴터(600) 양자 모두를 움직임으로써, 상이하게 수행될 수 있다는 것을 유의해야 한다.
이러한 힘 테스트들로부터 기원하는 데이터는 아래에서 더 설명되는 바와 같이, 도 9에 도시된 뉴럴 네트워크들을 트레이닝하기 위해 사용될 수 있다.
도 13은 전달 네트워크(TN)를 트레이닝하기 위한 방법 T1의 개략도를 도시한다.
제1 단계 T1_1에서, 도 12와 관련하여 설명된 바와 같이 복수의 힘 테스트들이 수행된다. 이러한 힘 테스트들을 위해, 바람직하게는 상이한 형상들 및/또는 사이즈들을 갖는 상이한 인덴터들(600)이 사용되며, 전술된 구현예에서 오직 1 개의 인덴터(600)가 각각의 힘 테스트에 사용된다.
단계 T1_2에서, 유한요소 모델(10a)을 갖는 복수의 시뮬레이션들이 수행되며, 여기서 하나의 시뮬레이션이 각각의 힘 테스트에 대해 수행되며, 힘 테스트에서 힘 센서(610)에 의해 측정된 힘(605)이 시뮬레이션된 힘(605a)의 인가를 위한 대응하는 시뮬레이션에서 사용된다. 시뮬레이션된 측정 표면(210a) 상의 포지션은 힘 테스트에서의 측정 표면(210) 상의 포지션과 동일하며, 여기서 그러한 포지션은 예를 들어, 머신 파라미터들로부터 계산될 수 있거나 도 12를 참조하여 이미 설명된 바와 같이 이미지 인식으로부터 도출될 수 있다. 시뮬레이션된 인덴터(600a)의 형상은 실제 인덴터(600)의 형상과 동일하다. 각각의 힘 테스트 가상 센서 포인트 값들(S)은, 가해진 시뮬레이션된 힘(605a)에 기초하여 표준 유한요소 시뮬레이션에 의해 계산된다.
단계 T1_3에서, 전달 네트워크(TN)은 힘 테스트들 및 시뮬레이션들에 의해 획득된 데이터로 트레이닝되며, 특히 힘 테스트들로부터 기원하는 기압 센서들(400)의 압력 값들(R) 및 대응하는 시뮬레이션들로부터 기원하는 계산된 가상 센서 포인트 값들(S)이 트레이닝을 위해 사용된다.
도 14는 복원 네트워크(RN)를 트레이닝하기 위한 방법 T2를 도시한다.
제1 단계 T2_1에서, 유한요소 모델(10a)로 복수의 시뮬레이션들이 수행되며, 여기서 바람직하게는 복수의 상이한 수들의 인덴터들이 사용되고, 추가로 바람직하게는 복수의 상이한 인덴터 형상들 및 인덴터 사이즈들이 사용된다. 각각의 시뮬레이션에서, 시뮬레이션된 힘 맵(FMa)이 시뮬레이션된 측정 표면(210a) 상에서 계산되고, 대응하는 가상 센서 포인트 값들(S)이 계산된다.
이러한 시뮬레이션된 힘 맵들(FMa) 및 가상 센서 포인트 값들(S)로, 전달 네트워크(TN)는 단계 T2_2에서 트레이닝되어, 시뮬레이션된 센서 포인트 값들(S)로부터 힘 맵을 복원할 수 있다.
도 15는 전체 피드포워드 뉴럴 네트워크(FFNN)를 트레이닝하기 위한 방법 T3를 도시한다.
제1 단계 T3_1에서, 도 12와 관련하여 설명된 바와 같이, 복수의 힘 테스트들이 수행된다. 이들 힘 테스트들은, 힘 센서(610)에 의해 측정된 바와 같은, 가해진 힘들(605), 대응하는 포지션들, 및 기압 센서들(400)의 측정된 압력 값들(R)을 전달한다.
제2 단계 T3_2에서, 센서 배열체(10)의 유한요소 모델(10a)로 복수의 대응하는 시뮬레이션들이 행해지며, 여기서 각각의 시뮬레이션은 측정 표면(210) 상의 실제와 동일한 포지션에서 그리고 실제 인덴터(600)와 동일한 인덴터 형상을 갖는 시뮬레이션된 인덴터(600a)로 유한요소 모델(10)의 시뮬레이션된 측정 표면(210a)에 대한 시뮬레이션된 힘(605a)의 인가를 포함한다. 이에 의해, 시뮬레이션된 힘 맵(FMa)이 시뮬레이션된 측정 표면(210a) 상에 계산된다.
추가 단계 T3_3에서, 힘 테스트들의 측정된 압력 값들(R) 및 시뮬레이션으로부터 기원한 대응하는 시뮬레이션된 힘 맵들(FMa)이 전체 피드포워드 뉴럴 네트워크(FFNN)를 트레이닝하기 위해 사용되며, 도시된 구현예에서 전달 네트워크(TN) 및 복원 네트워크(RN) 양자 모두가 트레이닝된다.
도 15와 관련하여 설명된 프로세스는 또한 단 하나의 뉴럴 네트워크만이 사용되는, 즉 전달 네트워크(TN) 및 복원 네트워크(RN)에서의 분할이 구현되지 않는 경우에 사용될 수 있다는 것에 유의해야 한다. 도 9에 도시된 구현예의 경우, 전달 네트워크(TN) 및 복원 네트워크(RN) 양자 모두는 도 13 및 도 14와 관련하여 설명된 방법들에 더하여 도 15와 관련하여 설명된 방법을 수행함으로써 최적화될 수 있다.
도 16은 힘 맵(FM)의 개략적인 예시와 함께 센서 배열체(10)를 도시한다. 힘 맵(FM)은, 측정 표면(210) 주위의 전체에 포지셔닝되는 복수의 힘 벡터들(F)을 포함한다. 2 개의 힘 벡터들(F)이 도 16에 도시되어 있지만, 훨씬 더 많은 힘 벡터들(F)이 전형적인 구현예들에서 사용될 수 있다. 예를 들어, 1 힘 벡터(F)/mm2가 예시적인 구현예에서 사용될 수 있다.
각각의 힘 벡터(F)는 수직력 컴포넌트(FN), 제1 전단력 컴포넌트(FS1) 및 제2 전단력 컴포넌트(FS2)를 갖는다. 수직력 컴포넌트(FN)는 가해진 힘의 수직력 컴포넌트, 즉 측정 표면(210)의 로컬적 배향에 수직한 컴포넌트의 값을 제공한다. 전단력 컴포넌트들(FS1, FS2)은 각각의 포인트에서 측정 표면(210)에 가해지는 전단력들의 값들을 제공한다. 전단력들은 전형적으로 측정 표면(210)의 로컬적 배향에 평행하고, 전형적으로 서로에 대해 그리고 수직력에 대해 수직이다. 이는 특히 측정 표면의 변형되지 않은 배향에 관련할 수도 있으며, 이는 힘 벡터들(F)의, 특히 그의 법선 컴포넌트들의 배향을 정의할 수도 있다.
따라서, 각각의 힘 벡터(F)는 측정 표면(210) 상의 특정 포인트에 가해지는 힘의 강도 및 배향을 제공한다. 이러한 힘은 예를 들어, 인덴터(600)로부터 유래할 수 있다.
힘 벡터(F)의 다른 정의들이 또한 사용될 수 있으며, 예를 들어 단지 수직력 컴포넌트만이 평가될 수 있거나 전단력들이 대안적인 정의들을 가질 수 있다는 것에 유의해야 한다.
시뮬레이션된 힘 맵(FMa)의 경우에, 시뮬레이션된 측정 표면(210a) 상의 이러한 시뮬레이션된 힘 맵(FMa)의 시뮬레이션된 힘 벡터들(Fa)은 각각의 시뮬레이션된 컴포넌트들, 예를 들어 수직력 컴포넌트(FNa), 제1 전단력 컴포넌트(FS1a) 및 제2 전단력 컴포넌트(FS2a)를 가질 수도 있다. 이러한 시뮬레이션된 힘 맵(FMa)은 특히, 도 10과 관련하여 설명된 바와 같이 유한요소 모델에 대해 수행된 시뮬레이션들에서 계산된다.
본 발명의 방법의 언급된 단계들은 주어진 순서로 수행될 수 있다. 그러나, 이들은 또한 기술적으로 합리적인 한 다른 순서로 수행될 수 있다. 본 발명의 방법은, 일 실시예에서, 예를 들어 단계들의 특정 조합으로, 추가 단계들이 수행되지 않는 방식으로 수행될 수 있다. 그러나, 언급되지 않은 단계들을 포함하는 다른 단계들이 또한 수행될 수도 있다.
특징들은, 예를 들어 이들 특징들이 서로 독립적으로 사용 또는 구현될 수도 있다는 사실에도 불구하고 더 나은 이해가능성을 제공하기 위해, 청구항들에서 그리고 설명에서 조합하여 설명될 수 있다는 것에 유의해야 한다. 당업자는 이러한 특징들이 다른 특징들과 조합되거나 서로 독립적인 특징 조합들과 조합될 수 있다는 것에 유의할 것이다.
종속항들에서의 참조들은 각각의 특징들의 바람직한 조합들을 나타낼 수도 있지만, 다른 특징 조합들을 배제하지 않는다.
10 센서 배열체
100 강성 코어
105 중앙부
110 제1 표면 영역
111 패싯
112 패싯
113 패싯
120 제2 표면 영역
121 패싯
122 패싯
123 패싯
130 제3 표면 영역
131 패싯
132 패싯
133 패싯
200 컴플라이언트 층
210 측정 표면
300 연성 회로 기판
305 중앙부
310 제1 암
311 패싯
312 패싯
313 패싯
315 홀
320 제2 암
321 패싯
322 패싯
323 패싯
325 홀
330 제3 암
331 패싯
332 패싯
333 패싯
335 홀
340 제4 암
345 홀
350 제5 암
355 홀
360 제6 암
365 홀
400 기압 센서
500 몰드
510 제1 부분
520 제2 부분
530 중공 내부
540 상단부
600 인덴터
605 힘
610 힘 센서
620 카메라
700 실험 셋업
710 하단부
720 제1 머신 암
730 관절
740 제2 머신 암
750 상단부
10a 유한요소 모델
210a 시뮬레이션된 측정 표면
400a 가상 센서
410a 가상 센서 포인트
600a 시뮬레이션된 인덴터
605a 시뮬레이션된 힘
문자 a를 갖는 다른 참조 부호들: 유한요소 모델(10a)의 컴포넌트
TN 전달 네트워크
RN 복원 네트워크
FFNN 피드포워드 뉴럴 네트워크
T1 전달 네트워크를 트레이닝하기 위한 방법
T2 복원 네트워크를 트레이닝하기 위한 방법
T3 피드포워드 뉴럴 네트워크를 트레이닝하기 위한 방법
R 압력 값
S 가상 센서 포인트 값
FM 힘 맵
F 힘 벡터
FMa 시뮬레이션된 힘 맵
Fa 시뮬레이션된 힘 벡터
FN (힘 벡터의) 수직력 컴포넌트
FS1 (힘 벡터의) 제1 전단력 컴포넌트
FS2 (힘 벡터의) 제2 전단력 컴포넌트
FNa (시뮬레이션된 힘 벡터의) 수직력 컴포넌트
FS1a (시뮬레이션된 힘 벡터의) 제1 전단력 컴포넌트
FS2a (시뮬레이션된 힘 벡터의) 제2 전단력 컴포넌트

Claims (33)

  1. 힘들을 감지하기 위한 센서 배열체(10)로서,
    연성 회로 기판(300),
    상기 연성 회로 기판(300) 상에 장착되는 다수의 기압 센서들(400),
    강성 코어(100)로서, 상기 연성 회로 기판(300)이 상기 강성 코어(100)를 적어도 부분적으로 커버하며 상기 기압 센서들(400)이 상기 강성 코어(100)로부터 돌출되도록, 상기 연성 회로 기판(300)이 감싸서 장착되는, 상기 강성 코어(100), 및
    상기 기압 센서들(400)을 커버하고 측정 표면(210)을 제공하는 컴플라이언트 층(200)을 포함하는, 센서 배열체(10).
  2. 제 1 항에 있어서,
    상기 강성 코어(100)는 돔 형상인, 센서 배열체(10).
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 강성 코어(100)는 복수의 패싯들(111, 112, 113, 121, 122, 123, 131, 132, 133)을 가지며, 각각의 기압 센서(400)는 상기 복수의 패싯들(111, 112, 113, 121, 122, 123, 131, 132, 133) 중 하나 상에 포지셔닝되는, 센서 배열체(10).
  4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 컴플라이언트 층(200)은 플라스틱 재료 또는 고무를 포함하거나 이로 구성되는, 센서 배열체(10).
  5. 제 4 항에 있어서,
    상기 플라스틱 재료는 열가소성 수지, 엘라스토머, 열가소성 엘라스토머 또는 열경화성 수지인, 센서 배열체(10).
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 컴플라이언트 층(200)은 상기 측정 표면(210)에 가해지는 힘들을 상기 기압 센서들(400)의 적어도 일부에 계전하는, 센서 배열체(10).
  7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
    상기 기압 센서들(400)은 상기 연성 회로 기판(300) 상의 도체 경로들에 의해 연결되는, 센서 배열체(10).
  8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
    상기 연성 회로 기판(300)은 별표 형상인, 센서 배열체(10).
  9. 제 1 항 내지 제 8 항 중 어느 한 항에 있어서,
    상기 연성 회로 기판(300)은, 중앙부(305)에서 연결되는 복수의 암들(310, 320, 330, 340, 350, 360)을 포함하는, 센서 배열체(10).
  10. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 기압 센서들(400)은 적어도 1 mm, 적어도 2 mm, 적어도 3 mm, 적어도 4 mm, 또는 적어도 5 mm의 거리로 그리고/또는 최대 1 mm, 최대 2 mm, 최대 3 mm, 최대 4 mm, 또는 최대 5 mm의 거리로 배열되는, 센서 배열체(10).
  11. 제 1 항 내지 제 10 항 중 어느 한 항에 있어서,
    상기 센서 배열체(10)는 로봇 팁 및/또는 로봇의 조작 요소인, 센서 배열체(10).
  12. 제 1 항 내지 제 11 항 중 어느 한 항에 있어서,
    상기 강성 코어(100)는 3D 프린팅된 부분인, 센서 배열체(10).
  13. 힘들을 감지하기 위한 센서 배열체(10)를 제조하기 위한 방법으로서,
    다수의 기압 센서들(400)이 장착된 연성 회로 기판(300)을 제공하는 단계,
    강성 코어(100)를 제공하는 단계,
    상기 연성 회로 기판(300)이 상기 강성 코어(100)를 적어도 부분적으로 커버하며 상기 기압 센서들(400)이 상기 강성 코어(100)로부터 돌출되도록, 상기 강성 코어(100) 상에 상기 연성 회로 기판(300)을 감싸서 장착하는 단계,
    상기 기압 센서들(400)을 컴플라이언트 층(200)으로 커버하는 단계로서, 이에 의해 상기 컴플라이언트 층(200) 상에 측정 표면(210)을 제공하는, 상기 기압 센서들(400)을 컴플라이언트 층(200)으로 커버하는 단계를 포함하는, 센서 배열체(10)를 제조하기 위한 방법.
  14. 제 13 항에 있어서,
    상기 기압 센서들(400)을 컴플라이언트 층(200)으로 커버하는 단계는:
    상기 연성 회로 기판(300)을 갖는 상기 강성 코어(100)를 몰드(500)에 배치하는 단계;
    상기 기압 센서들(400)이 재료에 의해 커버되도록 상기 몰드(500)를 상기 재료로 적어도 부분적으로 충전하는 단계,
    상기 재료를 상기 컴플라이언트 층(200)으로 변환시키는 단계
    를 포함하는, 센서 배열체(10)를 제조하기 위한 방법.
  15. 제 14 항에 있어서,
    상기 변환시키는 단계는:
    상기 재료에 의해 커버된 상기 연성 회로 기판(300)을 갖는 상기 강성 코어(100)를 진공에 배치함으로써 상기 재료를 탈기하는 단계
    를 포함하는, 센서 배열체(10)를 제조하기 위한 방법.
  16. 제 13 항 내지 제 15 항 중 어느 한 항에 있어서,
    상기 연성 회로 기판(300)을 제공하는 단계는:
    시트로부터 상기 연성 회로 기판(300)의 적어도 일부를 절단하는 단계,
    상기 연성 회로 기판(300) 상에 상기 기압 센서들(400)을 배열 및 장착시키는 단계
    중 하나 또는 양자 모두를 포함하는, 센서 배열체(10)를 제조하기 위한 방법.
  17. 제 13 항 내지 제 16 항 중 어느 한 항에 있어서,
    상기 강성 코어(100)는 돔 형상인, 센서 배열체(10)를 제조하기 위한 방법.
  18. 제 13 항 내지 제 17 항 중 어느 한 항에 있어서,
    상기 강성 코어(100)는 복수의 패싯들(111, 112, 113, 121, 122, 123, 131, 132, 133)을 갖고, 그리고
    각각의 기압 센서(400)가 상기 복수의 패싯들(111, 112, 113, 121, 122, 123, 131, 132, 133) 중 하나 상에 포지셔닝되도록 상기 연성 회로 기판(300)이 상기 강성 코어(100)를 감싸서 장착되는, 센서 배열체(10)를 제조하기 위한 방법.
  19. 제 13 항 내지 제 18 항 중 어느 한 항에 있어서,
    상기 컴플라이언트 층(200)은 플라스틱 재료 또는 고무를 포함하거나 이로 구성되는, 센서 배열체(10)를 제조하기 위한 방법.
  20. 제 19 항에 있어서,
    상기 플라스틱 재료는 열가소성 수지, 엘라스토머, 열가소성 엘라스토머 또는 열경화성 수지인, 센서 배열체(10)를 제조하기 위한 방법.
  21. 제 13 항 내지 제 20 항 중 어느 한 항에 있어서,
    상기 컴플라이언트 층(200)은 상기 측정 표면(210)에 가해지는 힘들을 상기 기압 센서들(400)의 적어도 일부에 계전하는, 센서 배열체(10)를 제조하기 위한 방법.
  22. 제 13 항 내지 제 21 항 중 어느 한 항에 있어서,
    상기 기압 센서들(400)은 상기 연성 회로 기판(300) 상의 도체 경로들에 의해 연결되는, 센서 배열체(10)를 제조하기 위한 방법.
  23. 제 13 항 내지 제 22 항 중 어느 한 항에 있어서,
    상기 연성 회로 기판(300)은 별표 형상인, 센서 배열체(10)를 제조하기 위한 방법.
  24. 제 13 항 내지 제 23 항 중 어느 한 항에 있어서,
    상기 연성 회로 기판(300)은, 중앙부(305)에서 연결되는 복수의 암들(310, 320, 330, 340, 350, 360)을 포함하는, 센서 배열체(10)를 제조하기 위한 방법.
  25. 제 13 항 내지 제 24 항 중 어느 한 항에 있어서,
    상기 기압 센서들(400)은 적어도 1 mm, 적어도 2 mm, 적어도 3 mm, 적어도 4 mm, 또는 적어도 5 mm의 거리로 그리고/또는 최대 1 mm, 최대 2 mm, 최대 3 mm, 최대 4 mm, 또는 최대 5 mm의 거리로 배열되는, 센서 배열체(10)를 제조하기 위한 방법.
  26. 제 13 항 내지 제 25 항 중 어느 한 항에 있어서,
    상기 센서 배열체(10)는 로봇 팁 및/또는 로봇의 조작 요소인, 센서 배열체(10)를 제조하기 위한 방법.
  27. 제 13 항 내지 제 26 항 중 어느 한 항에 있어서,
    상기 강성 코어(100)를 제공하는 단계는:
    상기 강성 코어(100)의 3D 프린팅 단계를 포함하는, 센서 배열체(10)를 제조하기 위한 방법.
  28. 제 1 항 내지 제 12 항 중 어느 한 항에 따른, 또는 제 13 항 내지 제 27 항 중 어느 한 항에 따른 방법에 따라 제조된 센서 배열체(10)로서,
    상기 센서 배열체(10)의 힘 추론을 위한 방법을 수행하도록 구성되는 전자 제어 모듈을 더 포함하는, 센서 배열체(10).
  29. 제 28 항에 있어서,
    상기 제어 모듈은 상기 측정 표면(210)의 힘 맵(FM)을 제공하기 위해 상기 힘 추론을 위한 방법을 수행하도록 구성되며, 상기 힘 맵(FM)은 복수의 힘 벡터들(F)을 포함하는, 센서 배열체(10).
  30. 제 29 항에 있어서,
    상기 힘 맵(FM)은 적어도 0.25 힘 벡터/mm2, 적어도 0.5 힘 벡터/mm2, 적어도 0.75 힘 벡터/mm2, 적어도 1 힘 벡터/mm2, 적어도 1.5 힘 벡터/mm2, 또는 적어도 2 힘 벡터/mm2를 포함하고,
    그리고/또는
    상기 힘 맵은 최대 0.25 힘 벡터/mm2, 최대 0.5 힘 벡터/mm2, 최대 0.75 힘 벡터/mm2, 최대 1 힘 벡터/mm2, 최대 1.5 힘 벡터/mm2, 또는 최대 2 힘 벡터/mm2를 포함하는, 센서 배열체(10).
  31. 제 29 항 또는 제 30 항에 있어서,
    각각의 힘 벡터는 수직력 컴포넌트, 제1 전단력 컴포넌트 및 제2 전단력 컴포넌트를 포함하는, 센서 배열체(10).
  32. 제 31 항에 있어서,
    상기 제1 전단력 컴포넌트는 제1 전단력에 대응하고, 상기 제2 전단력 컴포넌트는 제2 전단력에 대응하고, 그리고
    상기 제1 전단력은 상기 제2 전단력에 수직인, 센서 배열체(10).
  33. 제 28 항 내지 제 32 항 중 어느 한 항에 있어서,
    상기 제어 모듈은, 상기 기압 센서들(400)로부터 온도 값들을 판독하고 상기 온도 값들에 기초하여 상기 센서 배열체(10)의 온도 맵 또는 온도 정보를 제공하기 위해 구성되는, 센서 배열체(10).
KR1020237021457A 2020-11-24 2020-11-24 힘들을 감지하기 위한 센서 배열체 및 센서 배열체를 제조하기 위한 방법 KR20230109751A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2020/083260 WO2022111798A1 (en) 2020-11-24 2020-11-24 Sensor arrangement for sensing forces and method for fabricating a sensor arrangement

Publications (1)

Publication Number Publication Date
KR20230109751A true KR20230109751A (ko) 2023-07-20

Family

ID=73642875

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237021457A KR20230109751A (ko) 2020-11-24 2020-11-24 힘들을 감지하기 위한 센서 배열체 및 센서 배열체를 제조하기 위한 방법

Country Status (6)

Country Link
US (1) US20240011853A1 (ko)
EP (1) EP4251963A1 (ko)
JP (1) JP2023550494A (ko)
KR (1) KR20230109751A (ko)
CN (1) CN116583724A (ko)
WO (1) WO2022111798A1 (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101570409B1 (ko) * 2015-02-03 2015-11-20 인하대학교 산학협력단 돔 구조의 스트레인 게이지 압력센서 및 그 제조방법
US11137311B2 (en) * 2018-09-27 2021-10-05 Georgia Tech Research Corporation Pressure sensing devices with improved force threshold

Also Published As

Publication number Publication date
WO2022111798A1 (en) 2022-06-02
JP2023550494A (ja) 2023-12-01
CN116583724A (zh) 2023-08-11
EP4251963A1 (en) 2023-10-04
US20240011853A1 (en) 2024-01-11

Similar Documents

Publication Publication Date Title
US10488284B2 (en) Method of making a contact pressure sensor
Mukai et al. Development of the tactile sensor system of a human-interactive robot “RI-MAN”
Scharff et al. Sensing and reconstruction of 3-D deformation on pneumatic soft robots
Van Duong Large-scale vision-based tactile sensing for robot links: Design, modeling, and evaluation
US11300397B2 (en) Compliant force sensing system
Jentoft et al. Flexible, stretchable tactile arrays from MEMS barometers
McInroe et al. Towards a soft fingertip with integrated sensing and actuation
Chuah et al. Enabling force sensing during ground locomotion: A bio-inspired, multi-axis, composite force sensor using discrete pressure mapping
JP5187856B2 (ja) 触覚センサ
JP2017526543A (ja) ソフトロボットおよびソフトアクチュエータのためのセンサ
Cutkosky et al. Force and tactile sensing
Scharff et al. Color-based proprioception of soft actuators interacting with objects
Kõiva et al. Barometer-based tactile skin for anthropomorphic robot hand
Park et al. A sensorized hybrid gripper to evaluate a grasping quality based on a largest minimum wrench
KR20230109752A (ko) 센서 배열체의 힘 추론을 위한 방법, 네트워크들을 트레이닝하기 위한 방법들, 힘 추론 모듈 및 센서 배열체
Hirai et al. Tough, bendable and stretchable tactile sensors array for covering robot surfaces
KR20230109751A (ko) 힘들을 감지하기 위한 센서 배열체 및 센서 배열체를 제조하기 위한 방법
Matl et al. Stretch: a soft to resistive elastic tactile hand
Al et al. Multimodal barometric and inertial measurement unit-based tactile sensor for robot control
Maiolino et al. Large scale capacitive skin for robots
Tian et al. Multi-tap resistive sensing and fem modeling enables shape and force estimation in soft robots
Mukai et al. Fast and accurate tactile sensor system for a human-interactive robot
Mukai et al. Development of soft areal tactile sensors for human-interactive robots
Scharff Soft robotic manipulators with proprioception
Maiolino et al. A toolbox for supporting the design of large-scale capacitive tactile systems