A hybrid elastic-hyperelastic approach for simulating soft tactile sensors
Notice bibliographique
Résumé
Efficient robotic grasping increasingly relies on artificial intelligence (AI) and tactile sensing technologies, which necessitate the acquisition of substantial data-a task that can often prove challenging. Consequently, the alternative of generating tactile data through precise and efficient simulations is becoming increasingly appealing. A significant challenge for simulating tactile sensors is balancing the trade-off between accuracy and processing time in simulation algorithms and models. To address this, we propose a hybrid approach that combines elastic and hyperelastic finite element simulations, complemented by convolutional neural networks (CNNs), to generate synthetic tactile maps of a soft capacitive tactile sensor. By leveraging a dataset of 53,400 real-world tactile maps, this methodology enables effective training, validation, and testing of each pipeline. This approach combines a fast elastic model for simple contact patches with a more detailed but slower hyperelastic model when greater precision is required. Our method automatically assesses contact patch complexity based on parameters associated with the object's mesh to determine the most appropriate modeling technique by still ensuring accurate deformation simulation. Tested on a dataset of 12 unseen objects, our approach achieves up to 97% Structural Similarity Index Measure (SSIM) for the hyperelastic model and 90% for the elastic model. This hybrid strategy enables an adaptive balance between simulation speed and accuracy, making it suitable for generating synthetic tactile data across tasks with varying precision demands and object geometrical complexities.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».