Design of a Clip-On Modular Tactile Sensing Attachment Based on Fiber Bragg Gratings: Theoretical Modeling and Experimental Validation
Notice bibliographique
Résumé
Despite widespread modular tooling in robots and automated systems, tactile sensing lags behind, constrained by custom and non-interchangeable sensors. To close this gap, we developed a clip-on cylindrical tactile module that combines a snap-fit Clip-on Cap (CC) with a plug-in Sensor Core (PSC) hosting an array of force sensing and temperature-reference fiber Bragg gratings (FBGs). An opto-mechanical model relates Bragg wavelength shifts to external forces through parameterized dimensions and remains applicable across varied module sizes. Two loading configurations are examined: Case I, a PSC fitted with a compliant PSC-solid insert, and Case II, a hollow PSC. Experiments across both configurations validate the model, with prediction errors below 8%. Case II offers up to twice the force sensitivity of Case I, whereas Case I maintains slightly higher linearity (R2 > 0.95). We propose a metric, Q, for assessing the trade-off among sensitivity, linearity, and dynamic lag; analyses with this metric establish that softer solid inserts enhance tactile force perception. The CC–PSC pair can be rapidly swapped or detached to meet diverse application needs. These results provide a transferable design and modeling framework for equipping robots—or other automated systems—with universally deployable, clip-on tactile perception.
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 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».