Accurate Embedded Force Sensor for Soft Robots with Rate-dependent Deep Neural Calibration
Notice bibliographique
Résumé
Embedding force sensors on soft robots have been a major challenge impeding accurate feedback control of soft robots. A major challenge in embedding force sensors onto soft robots is in their rigidity, size, and shape. In this study, a soft smart polymer-based soft sensor for soft robotic application is proposed, prototyped, calibrated, and tested for force prediction accuracy. The sensing element of the proposed sensor was made of gelatin-graphite composite that we previously showed its piezoresistivity. Three sensing elements were molded into a soft body (soft robot) and variation of the voltage across them was measured in real-time in response to external loads. A rate-dependent deep neural calibration network was trained with the three voltages and their temporal rates when the soft body was subjected to tri-axial external forces in the range of$\pm 0.3$N. Afterwards the calibrated sensor was used in a series of validation tests to assess its accuracy. The proposed calibration showed the goodness of fit of$R^{2}=0.98$with the mean-absolute error of 0.005 N. Also, the sensor exhibited mean-absolute errors of$0.007 \pm0.005$N,$0.008 \pm 0.006$N, and$0.011 \pm 0.008 \ \mathbf{N}$for estimating the external forces along x, y, and z directions. Moreover, the proposed calibration did not exhibit observable hysteresis thanks to its rate-dependent calibration schema.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».