【技术实现步骤摘要】
【国外来华专利技术】力推断方法、前馈神经网络训练方法、力推理模块及传感器装置
[0001]本专利技术涉及一种用于感测力的传感器装置的力推断方法、一种前馈神经网络训练方法、一种力推断模块和一种传感器装置。
技术介绍
[0002]在开发机器人等应用时,感测施加在机器人手或机器人的另一部分(诸如腿或操纵装置)上的力对于增强机器人四处移动和/或操纵物体的能力至关重要。可以在机器人应用中使用以便获得关于所施加的力的反馈的传感器装置的已知实施方式不具有足够的分辨率或者是易损坏的。
[0003]因此,本专利技术的一个目的是提供一种与已知方法相比可替代或改进的力推断方法。本专利技术的另一个目的是提供一种相应的前馈神经网络训练方法。本专利技术的另一个目的是提供一种相应的力推断模块和一种相应的传感器装置。
[0004]这些目的是通过独立权利要求的主题实现的。优选实施例可以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。
技术实现思路
[0005]在下文中,描述了进一步的多个专利技术方面。这些方面可以单独组合或与本文所公开的其他特征组合。它们也可以被视为单独的专利技术方面,并且可以作为权利要求的主题。
[0006]本专利技术涉及一种用于感测力的传感器装置的力推断的方法。
[0007]所述传感器装置,例如可以应用所述方法的传感器装置,尤其可以至少包括:
[0008]可弹性变形的壁,所述壁包括外侧的测量表面和内侧的反射表面,其中所述反射表面部分地限定一个内部空间,
[0009 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于感测力的传感器装置(10)的力推断的方法,所述传感器装置(10)至少包括:可弹性变形的壁(210),所述壁(210)包括外侧的测量表面(220)和内侧的反射表面(230),其中所述反射表面部分地限定一个内部空间(12),光源装置(160),其包括多个光源(164)并被布置成向所述内部空间(12)发射光,以及图像传感器(130),其安装在所述内部空间(12)中。所述用于力推断的方法包括以下步骤:从所述图像传感器(130)读取图像数据,以及基于所述图像数据使用前馈神经网络(FFNN)计算在所述测量表面(220)上的力图(FM),所述力图(FM)包括多个力矢量(F)。2.根据权利要求1所述的方法,其特征在于,所述前馈神经网络(FFNN)在所述力推断之前通过执行以下步骤进行训练:在所述传感器装置(10)上执行(T_1)多个力测试,每个力测试包括用一个压头(800)在所述传感器装置(10)的所述测量表面(220)上的一个位置施加力,同时测量所述压头(800)施加的力,并且同时从所述图像传感器(130)读取图像数据,对于每个力测试,用所述传感器装置(10)的模型(10
’
)执行(T_2)相应的模拟,每个模拟包括在所述模型(10
’
)的模拟测量表面(220')上施加模拟力,从而计算出在所述模拟测量表面(220
’
)上的模拟力图(FM
’
),所述模拟力图(FM
’
)包括多个模拟力矢量(F
’
),所述模拟力对应于所测量的力并且被施加在所述模拟测量表面(220')上与所述测量表面(220)上的所述位置对应的一个位置上,以及用所述图像数据和相应的所计算出的模拟力图(FM
’
)来训练(T_3)所述前馈神经网络(FFNN)。3.根据权利要求2所述的方法,其特征在于,用于训练所述前馈神经网络(FFNN)的力测试是用多个压头(800)执行的,每个压头(800)具有各自的压头形状。4.根据权利要求3所述的方法,其特征在于,压头形状选自至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方形和圆柱形的群组。5.根据权利要求3或4所述的方法,其特征在于,所述模拟是使用由模拟压头施加的模拟力进行的,所述模拟压头(800)具有各自的压头形状,其对应于在相应的力测试中使用的真实压头形状。6.根据权利要求2至5中的一项所述的方法,其特征在于,使用多个不同的压头形状来训练所述前馈神经网络(FFNN)。7.根据权利要求2至6中任一项所述的方法,其特征在于,使用具有不同尺寸的多个压头(800)来训练所述前馈神经网络(FFNN)。8.根据权利要求2至7中的一项所述的方法,其特征在于,使用所述压头(800)来训练所述前馈神经网络(FFNN),所述压头(800)至少对于用于训练所述前馈神经网络(FFNN)的所述力测试的一部分施加相应的剪切力。
9.根据权利要求2至8中的一项所述的方法,其特征在于,所测得的力各自包括法向力分量、第一剪切力分量和第二剪切力分量。10.根据权利要求9所述的方法,其特征在于,在所测得的力中,所述第一剪切力分量对应于第一剪切力,并且所述第二剪切力分量对应于第二剪切力,以及其中,所述第一剪切力垂直于所述第二剪切力。11.根据权利要求2至10中的一项所述的方法,其特征在于,每个所测得的力包括在参考坐标系中的三个分量。12.根据权利要求2至11中的一项所述的方法,其特征在于,使用具有不同剪切力分量的多个力来训练所述前馈神经网络(FFNN)。13.根据权利要求2至12中的一项所述的方法,其特征在于,使用具有不同法向力分量的多个力来训练所述前馈神经网络(FFNN)。14.根据权利要求2至13中的一项所述的方法,其特征在于,使用在所述压头(800)中或位于所述压头(800)附近的力传感器(560)测量所述力。15.根据权利要求2至14中的一项所述的方法,其特征在于,每个模拟力矢量(F
’
)包括法向力分量(F
’
N
)、第一剪切力分量(F
’
S1
)和第二剪切力分量(F
’
S2
)。16.根据权利要求2至14中的一项所述的方法,其特征在于,每个模拟力矢量(F
’
)包括在参考坐标系中的三个分量。17.根据前述权利要求中的一项所述的方法,其特征在于,除了从所述图像传感器读出的图像数据之外,所计算出的力图(FM)所基于的图像数据还包括几个不变的图像,或三个不变的图像。18.根据权利要求17所述的方法,其特征在于,所述不变的图像是灰度梯度图像、骨胳的图像,和/或参考光图案。19.根据权利要求17或18所述的方法,其特征在于,作为所述图像数据的一部分的可变的图像是在计算所述力图(FM)之前才拍摄的。20.根据前述权利要求中的一项所述的方法,其特征在于,所述力图(FM)包括至少0.25个力矢量(F)/mm2、至少0.5个力矢量(F)/mm2、至少0.75个力矢量(F)/mm2、至少1个力矢量(F)/mm2、至少1.5个力矢量(F)/mm2,或至少2个力矢量(F)/mm2,和/或其中,力图(FM)包括至多0.25个力矢量(F)/mm2、至多0.5个力矢量(F)/mm2、至多0.75个力矢量(F)/mm2、至多1个力矢量(F)/mm2、至多1.5个力矢量(F)/mm2、或至多2个力矢量(F)/mm2。21.根据前述权利要求中的一项所述的方法,其特征在于,每个力矢量(F)包括法向力分量(F
N
)、第一剪切力分量(F
S1
)和第二剪切力分量(F
S2
)。22.根据权利要求21所述的方法,
其特征在于,所述第一剪切力分量(F
S1
)对应于第一剪切力,且所述第二剪切力分量(F
S2
)对应于第二剪切力,以及其中,所述第一剪切力垂直于所述第二剪切力。23.根据权利要求1至20中的一项所述的方法,其特征在于,每个力矢量(F)包括在参考坐标系中的三个分量。24.根据前述权利要求中的一项所述的方法,其特征在于,使用没有外部影响的所述传感器装置(10)的反射表面(230)的附加图像作为所述图像数据的一部分,来训练所述前馈神经网络(FFNN),或者执行所述力图(FM)的计算。25.根据前述权利要求中的一项所述的方法,其特征在于,使用所述传感器装置(10)的壁(210)的骨架(240)的图像作为所述图像数据的一部分,来训练所述前馈神经网络(FFNN),或者执行所述力图(FM)的计算。26.根据前述权利要求中的一项所述的方法,其特征在于,使用用于位置编码的灰度梯度图像作为所述图像数据的一部分,来训练所述前馈神经网络(FFNN),或者执行所述力图(FM)的计算。27.一种用于训练前馈神经网络(FFNN)的方法(T),其特征在于,所述前馈神经网络(FFNN)基于图像传感器(130)的图像数据计算在传感器装置(10)的测量表面(220)上的力图(FM),所述力图(FM)包括多个力矢量(F),其中,所述前馈神经网络(FFNN)通过以下步骤进行训练:在所述传感器装置(10)上执行(T_1)多个力测试,每个力测试包括用一个压头(800)在所述传感器装置(10)的所述测量表面(220)上的一个位置施加力,同时测量所述压头(800)施加的力,并且同时从所述图像传感器(130)读取图像数据,对于每个力测试,用所述传感器装置(10)的模型(10
’
)执行(T_2)相应的模拟,每个模拟包括在所述模型(10
’
)的模拟测量表面(220
’
)上施加模拟力,从而计算出在所述模拟测量表面(220
’
)上的模拟力图(FM
’
),所述模拟力图(FM
’
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。