[发明专利]用于传感器布置的力推断的方法、用于训练网络的方法、力推断模块及传感器布置

说明书

本发明涉及一种用于感测力的传感器布置的力推断方法，所述方法包括读取压力值和使用前馈神经网络计算力图的步骤。本发明还涉及用于训练神经网络的相应方法、力推断模块和传感器布置。

技术领域

本发明涉及用于传感器布置的力推断的方法、用于网络训练的相关方法、用于执行此类方法的力推断模块以及用于感测力的传感器布置。

背景技术

在开发机器人等应用程序时，感知施加在机器人的手或机器人另一部分(例如腿或操纵装置)上的力对于赋予机器人增强的移动和/或操纵物体的能力至关重要。可以用在机器人应用中以便获得关于所施加的力的反馈的传感器布置的已知实现是非常昂贵的并且没有足够的分辨率。

传感器布置可用于测量力。然而，已知的传感器布置需要高密度传感器以提供高特殊分辨率。

发明内容

因此，本发明的一个目的是提供一种用于传感器布置的力推断的方法和与现有技术不同或优化的相关方法。进一步的目的是提供力推断模块来执行这样的方法。另一个目的是提供一种传感器布置，用于使用这种力推断模块来感测力。

这些目的是通过主要权利要求的主题实现的。优选实施例可例如从从属权利要求中导出。权利要求的内容通过明确引用而成为说明书的内容。

本发明涉及一种用于感测力的传感器布置的力推断的方法。

这样的传感器布置，尤其是可以使用所述方法的传感器布置，尤其可以包括多个气压传感器。它可以进一步包括柔顺层。所述柔顺层尤其可以覆盖所述多个气压传感器并提供测量面。例如，可以使用本发明的方法的传感器布置可以是如本文所述的传感器布置、或可根据如本文所述的方法制造的传感器布置。关于所述传感器布置或制造方法，可以使用所有公开的实施例和变体。

所述力推断方法包括以下步骤：

-从所述多个气压传感器读取多个压力值，以及

-使用前馈神经网络基于所述多个压力值来计算测量面上的力图，所述力图包括多个力矢量。

使用这种方法，传感器的力推断可以通过所述多个气压传感器获得高分辨率和/或复杂信息的方式进行。这是可能的，因为已经发现前馈神经网络可以提供比所述多个气压传感器的间距更精细分辨率的力信息。它甚至可以提供更多信息。如果正确训练前馈神经网络，则尤其可以获得此功能。下面进一步给出训练的优选实施方式。

所述多个气压传感器特别适合于产生取决于例如气压的输出信号，例如线性相关于施加在特定气压传感器上的压力。特别是，压力从所述测量面传递到气压传感器，其中通常即使在测量面上以最小延伸施加的力也被传递到多个气压传感器，使得可使用前馈神经网络这样的技术，以得到一个很好的分辨率。

关于传感器布置，参考本文给出的详细描述，包括实施例和变体的描述。

所述力图尤其可以是在真实测量面上定义的图，其中所述力图可以包括多个图点。在每个图点，可以定义一些信息，例如如下文进一步描述的力矢量。所述力图通常提供有关施加在测量面上的力的信息。例如，这样的力可能源自压在所述测量面上的一个压头或多个压头，或源自当前由所述传感器布置操纵的物体，例如，当所述传感器布置是机器人尖端时。

根据一个实施方式，所述前馈神经网络包括传输网络和重构网络。所述传输网络将气压传感器映射到所述传感器布置的有限元模型的多个虚拟传感器。所述重构网络将所述有限元模型的虚拟传感器映射到力图。每个虚拟传感器可以包括一个或多个虚拟传感器点，每个虚拟传感器点具有虚拟传感器点值。

因此，前馈神经网络在此实施中被拆分。这可增强功能，尤其是更好的训练可能性，这将在下面进一步描述。