Optimal Design of Self-Adaptive Fingers for Proprioceptive Tactile Sensing
Notice bibliographique
Résumé
The sense of touch has always been challenging to replicate in robotics, but it can provide critical information when grasping objects. Nowadays, tactile sensing in artificial hands is usually limited to using external sensors which are typically costly, sensitive to disturbances, and impractical in certain applications. Alternative methods based on proprioceptive measurements exist to circumvent these issues but they are designed for fully actuated systems. Investigating this issue, the authors previously proposed a tactile sensing technique dedicated to underactuated, also known as self-adaptive, fingers based on measuring the stiffness of the mechanism as seen from the actuator. In this paper, a procedure to optimize the design of underactuated fingers in order to obtain the most accurate proprioceptive tactile data is presented. Since this tactile sensing algorithm is based on a one-to-one relationship between the contact location and the stiffness measured at the actuator, the accuracy of the former is optimized by maximizing the range of values of the latter, thereby minimizing the effect of an error on the stiffness estimation. The theoretical framework of the analysis is first presented, followed by the tactile sensing algorithm, and the optimization procedure itself. Finally, a novel design is proposed which includes a hidden proximal phalanx to overcome shortcomings in the sensing capabilities of the proposed method. This paper demonstrates that relatively simple modifications in the design of underactuated fingers allow to perform accurate tactile sensing without conventional external sensors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».