深度學習的電子皮膚可解碼複雜的人體運動

深度學習供電的單應變電子皮膚感測器可以捕獲遠距離的人體運動。放在手腕上的單個應變感測器可以通過虛擬3D手實時地對複雜的五指運動進行解碼，以反映原始運動。快速情境學習（RSL）推動的深度神經網路可確保穩定的操作，無論其在皮膚表面上的位置如何。

傳統方法需要許多感測器網路來覆蓋目標區域的整個曲線表面。與傳統的基於晶圓的製造不同，這種激光製造為運動跟蹤提供了新的感測範式。

由計算機學院的Sungho Jo教授領導的研究團隊與首爾國立大學的Seunghwan Ko教授合作，設計了這種新的測量系統，該系統通過使用激光技術在金屬Nano顆粒薄膜中產生裂縫來提取與多個手指運動相對應的信號。然後將感測器貼片連接到用戶的手腕上，以檢測手指的運動。

這項研究的概念從這樣的想法開始，即與將感測器固定到每個關節和肌肉的位置相比，精確定位單個區域將更有效。為了使這種定位策略有效，它需要準確地捕獲來自所有區域的信號在它們都收斂的那一點，然後將糾纏在收斂信號中的信息去耦。為了最大化用戶的可用性和移動性，研究團隊使用單通道感測器來生成與複雜手部動作相對應的信號。

快速情境學習（RSL）系統從手腕上任意部位收集數據，並通過虛擬3D指針（反映原始動作）在實時演示中自動訓練模型。為了提高感測器的靈敏度，研究人員使用了激光誘導的Nano級裂紋。

該感測系統可以通過一個小的感測網路跟蹤整個身體的運動，並可以間接地間接測量人體運動，這適用於可穿戴式VR / AR系統。

研究小組說，他們在開發感測器時專註於兩個任務。首先，他們將感測器信號模式分析到一個封裝了時間感測器行為的潛在空間中，然後將這些潛在矢量映射到手指運動度量空間。

喬教授說：「我們的系統可擴展到其他身體部位。我們已經確認該感測器還能夠從骨盆中提取步態運動。該技術有望為健康監測，運動跟蹤和柔軟度提供一個轉折點。機器人技術。」

有所作為：贊助機會

故事來源：

用料 由…提供 韓國科學技術高等研究院（KAIST）。注意：可以編輯內容的樣式和長度。