基于內嵌型光學彎曲傳感器的軟體手感知

黃海明，吳林源，林俊豪，方 斌，孫富春，

1)深圳大學電子與信息工程學院，廣東深圳 518060；2)清華大學智能技術與系統國家重點實驗室，北京 100084

近年來，軟體機器人因其柔軟、無限自由度、制造和控制簡單等特點，成為機器人領域的研究熱點[1-2]．在柔性抓取和靈巧操作方面，HAO等[3]研制了通用型軟體抓手和軟體章魚觸手．JING等[4]研制了蜂巢結構的軟體抓手．魏樹軍等[5]研制纖維驅動型軟體抓手．DEIMEL等[6-7]研制的RBO hand，可實現17種姿態動作，能用數據手套交互．但它們缺少傳感器，無感知能力，因此應用范圍受限．田夢倩等[8]開發了內骨骼結構的軟體手，配備微機電系統(microelectro mechanical system, MEMS)傳感器，但缺乏柔性．TAVAKOLI等[9]在軟體手上分布柔性電容傳感器，感知接近物體的導電性，提供簡單的自主操作．ZHAO等[10]自制光導纖維，結合發光二極管(light emitting diode, LED)、光敏傳感器制成柔性傳感器，內嵌到軟體假手中，用于識別物體的形狀和紋理．柔性傳感器適合與軟體手共融，可提高感知能力．然而，現階段仍缺少用于軟體手的柔性傳感器，對傳感器信息處理簡單，導致檢測、識別和感知能力低．

常用的柔性傳感器有電阻式[11]、電容式[12]和光學式[13]等．電阻式和電容式傳感器易于陣列式分布，適合檢測手掌和指尖壓力．光學式柔性傳感器的核心部件(光導纖維)具有電磁免疫特性，易于嵌入載體以形成一體化的傳感-執行結構[14]．光纖光柵位移傳感器適用于大變形傳感，但信號處理設備成本高[15]．ZHAO等[16-17]利用廉價的光導纖維做成位置傳感器，構成軟體矯正器的位置閉環控制，并將該傳感器用于軟體手中．為提高柔軟性，ZHAO等[10]利用兩種不同折射率的硅膠材料制成光導纖維，內嵌于軟體手中，用于識別物體形狀及成熟特性等，但仍缺少對傳感器信息的深度挖掘．

本研究綜合考慮成本和制造工藝，以商業光導纖維為核心部件制成彎曲傳感器．通過粗糙化處理使光導纖維受力彎曲時產生光能損耗，用于測量軟體手的彎曲度．通過對彎曲信息的歸一化處理，以及均勻、非均勻和滯環分段處理，并結合軟體手5指的彎曲信息實現連續運動檢測、動作姿態和物體大小識別，使軟體手具有感知能力．

1 光學彎曲傳感器設計

1.1 傳感器設計

1.1.1 傳感器組成原理

光學彎曲傳感器以光導纖維作為核心元件，通過檢測光在傳輸過程中因彎曲引起的光強變化量，推算出光導纖維的彎曲量．該光學彎曲傳感器具有柔性特征，適合與軟體手指構成一體化的傳感-執行結構．通過測量彎曲量，獲得軟體手指的彎曲度．

如圖1(a)，彎曲傳感器由LED、光導纖維和光敏傳感模塊組成．LED提供的光源從光導纖維一端傳輸到另一端，并由光敏傳感模塊接收．圖1(b)利用熱縮管固定LED和光導纖維，避免松動脫落，并使兩者端面緊密靠近，利于光線傳輸．利用可調電阻調節電壓控制LED的輸出光強．采用同樣方法，利用熱縮管固定光敏傳感模塊和光導纖維的另一端．利用電流采集模塊采集光敏模塊的輸出電流變化量以測得光強．

圖1 光學彎曲傳感器的組成Fig.1 The constitute of the optical fiber bending sensor

1.1.2 光導纖維粗糙化處理

選用直徑為0.5～3.0 mm的商業光導纖維絲作為彎曲傳感器的核心元件，嵌入到軟體手指中使其結構緊湊．

對光導纖維進行粗糙化處理，使其在彎曲時能夠溢出光線，引起光能損耗．如圖2(a)所示，將光導纖維彎成U形，對上表面以2 mm間距進行切割，每個間隔內切割25刀，即每刀間隔0.08 mm，使被切部分變得粗糙，利于光線溢出．測量彎曲傳感器向下彎曲時的光能損耗量，此操作適用于軟體手指的正向彎曲測量．圖2(b)是經激光切割機處理后得到的粗糙化光導纖維．

圖2 光導纖維粗糙化處理Fig.2 Roughening process of optical fiber

1.1.3 內嵌彎曲傳感器的軟體手

將粗糙化處理后的光導纖維嵌入到軟體手指中，形成一體化傳感-執行結構以實現同步彎曲，通過檢測光導纖維的彎曲度可得到軟體手指的彎曲度．如圖3(a)將光導纖維固定于模具上，澆注硅膠材料進行固化處理，使軟體手指與光導纖維融為一體．圖3(b)是內嵌光導纖維的軟體手指，延伸出的光導纖維用于與LED和光敏傳感模塊連接．將5根加工好的軟體手指安裝到手掌上，集成5指軟體手，如圖3(c)．

圖3 軟體手加工過程Fig.3 The processing of soft hand

1.2 彎曲傳感原理

光學彎曲傳感器通過檢測光強的變化獲得彎曲信息．光學彎曲傳感原理如圖4，LED光通過光導纖維傳輸到光敏傳感器．如圖4(a)，若光導纖維未經粗糙化處理，LED光在傳輸過程中沒有光能損耗，這時即使光導纖維發生彎曲，也不會引起光強變化，因此無法測出彎曲度．如圖4(b)，若光導纖維已經過粗糙化處理，則在傳輸過程中會有部分光線溢出．當光導纖維發生彎曲時，溢出的光線更多，導致光能損耗加大．彎曲程度越大，光能損耗越大．假設光導纖維在無彎曲、無拉伸且無壓力情況下的基準光能為I0，在檢測過程中的光能為I， 則其能量損耗為

a=10lg(I0/I)

(1)

當光能損耗對應于基準光能時，a=0； 光能增大時，a<0； 光能減小時，a>0．

圖4 光學彎曲傳感原理Fig.4 The principle of optical curvature sensing

2 彎曲信息處理

2.1 彎曲信息表達

將光導纖維內嵌于軟體手指中，通過測量光導纖維的彎曲度可獲得軟體手指的彎曲度，而光導纖維的彎曲度可通過光敏傳感器測量光照強度轉換得到．在本研究中，光敏傳感模塊將輸出的電流轉換為電壓，再使用數據采集系統采集該電壓(V)測量光強變化，進而推算出軟體手指的彎曲度．分別采集軟體手指初始(伸直)狀態和最大彎曲狀態下的電壓V0和Vmax， 分別對應最小和最大彎曲度．

考慮到5指軟體手每個手指間的信息統一，利用歸一化方法將軟體手指的彎曲變化數值限制在[0, 1]內．通過分段處理，將每根手指的彎曲狀態分成若干段，以便識別軟體手指的姿態和物體大?。?/p>

2.2 歸一化處理

歸一化處理的優點在于：① 對單個手指，以初始(伸直)狀態和最大彎曲狀態作為上下限，可忽略因光源差異引起初始值不同的影響；② 對于多個手指間的關聯問題，利用統一衡量則可忽略不同手指間因傳感器差異引起采樣電壓范圍不一致的影響；③ 利于每個手指的統一分段，為后續姿態識別和物體大小識別提供統一的參考信息．

設軟體手指在初始(伸直)狀態下的電壓為Vi,0， 在最大彎曲狀態下的電壓為Vi, max， 則軟體手指的彎曲度可表示為

(2)

其中，i=0, 1, 2, 3和4， 依次對應拇指、食指、中指、無名指和小指．

2.3 分段處理

為能實現軟體手的姿態識別和物體大小識別，對已作歸一化處理的數據進行分段處理．分段處理方法包括均勻分段、非均勻分段和滯環分段．

2.3.1 均勻分段

均勻分段是將[0, 1]內的彎曲度均勻分為M段， 則第m段的段數為

(3)

其中，m=1, 2, …,M；Si,x為第i個手指對應的分段值；i=0, 1, 2, 3, 4， 依次對應拇指、食指、中指、無名指和小指．

2.3.2 非均勻分段

非均勻分段的分段點不具有均勻特性．如分段的段數為M， 則第m段的段數表示為

Si, x=m,Ni, x∈[NSi, m-1, NSi, m]

(4)

其中， NSi, m-1對應第i個手指第m-1段的預設值； NSi, m對應第i個手指第m段的預設值． NSi, m-1和NSi, m根據實際情況預設，不需被均分．

2.3.3 滯環分段

圖5為滯環分段原理圖．其中，m和m-1是相鄰的兩個分段．均勻分段時， NSi, m-1=(m-1)/M； 非均勻分段時， NSi, m-1是設定的非均勻值．在單點分段切換時，以NSi, m-1作為相鄰的m和m-1的分段臨界值． 當Ni, x≥NSi, m-1時，Si, x=m； 當Ni, x< NSi, m-1時，Si, x=m-1． 單點分段容易出現振蕩，即當歸一化數值在分段點NSi, m-1附近跳動時，分段會在m和m-1段間跳變．

圖5 滯環分段原理Fig.5 The principle of hysteresis segmenting

滯環分段克服了單點分段在分段點附近產生振蕩的缺點．在分段點NSi, m-1兩側附近，增加兩個臨界值L_NSi, m-1和U_NSi, m-1， 分別作為分段滯環的下限和上限，則滯環分段可表示為

Si, x=

(5)

其中， L_Si, x是上一采樣周期的分段值．

3 軟體手感知實驗

3.1 實驗平臺

軟件手感知實驗平臺如圖6．光學彎曲傳感器內嵌于軟體手指中，集成到手掌結構上構成5指軟體手．下位機是軟體手的驅動控制系統，以STM32F407作為CPU，接收上位機的動作指令，執行命令解析，通過數模轉換器(digital to analog converter, DAC)模塊，輸出模擬電壓控制比例閥，實現氣壓控制使軟體手執行動作．上位機的控制界面控制軟體手的動作和抓取姿態，采集彎曲傳感器信息，執行識別算法，實現姿態和物體大小識別．

圖6 軟件手感知實驗平臺Fig.6 Experiment platform for the perception of soft hand

3.2 彎曲傳感器標定

歸一化和分段處理的數據源自彎曲傳感器的采集電壓，初始狀態和最大彎曲狀態下的電壓是重要的比較參數．因此，在檢測前需對V0和Vmax標定．將軟體手控制在初始(伸直)狀態和最大彎曲狀態，用數據采集卡采集5個手指的電壓(V)， 每個手指同步采集200組數據，每組數據0.08 s，共用時16 s，再取其均值(mean)作為標定值，結果如圖7．其中，σ為均方誤差．

3.3 軟體手指連續運動檢測

為驗證彎曲傳感器的連續運動檢測能力，以及歸一化和分段處理效果，以軟體手的食指作為對象，輸入連續的正弦運動指令控制軟體手指運動，檢測其彎曲變化．正弦運動的周期為10 s，幅值為最大彎曲狀態的控制值，使食指在初始狀態到最大狀態間以正弦規律連續運動．食指連續運動的彎曲檢測結果如圖8．圖8(a)是連續運動中的實際電壓，按照正弦規律變化，可見在手指的正常工作范圍內，可檢測反映手指彎曲變化的電壓值．圖8(b)為歸一化后的變化曲線，覆蓋了所有的變化范圍，表明光導纖維能夠檢測到軟體手指從初始狀態到最大彎曲狀態內的任意狀態．圖8(c)的分段處理結果說明，結合均勻分段法，以0.25、0.50和0.75為節點將歸一化數據均勻的分成4段，食指的連續運動可以通過分段狀態識別出所處的位置．

圖7 軟體手指內彎曲傳感器的標定數據Fig.7 The calibration of curvature sensors embedded in soft fingers

圖8 手指連續運動的彎曲檢測結果Fig.8 The curvature test result of continuous finger movement

3.4 軟體手姿態識別

3.4.1 姿態庫設計

控制軟體手實現圖9的8 種動作姿態．在對軟體手進行姿態識別前，根據8種姿態特征，建立基于均勻分段的姿態預設庫(表1)．分段方法同樣是以0.25、0.50和0.75為節點將歸一化數據均勻的分成4段．

圖9 軟體手的動作姿態Fig.9 Various action postures of soft hand

3.4.2 姿態識別算法

姿態識別算法流程見附加材料圖S1(請掃描論文末頁右下角二維碼)．程序開始運行后，先采集彎曲傳感器的電壓；然后，通過式(1)進行歸一化處理，再通過式(2)進行分段處理；最后，依據表1的姿態預設庫進行姿態比對和識別．

表1 軟體手預設姿態庫

3.4.3 姿態識別結果

圖10是軟體手姿態1的識別結果．其中，圖10(a)為5根手指的歸一化數值；圖10(b)為不同手指的分段結果，分段方法同樣從0.25、0.50和0.75將歸一化數據均勻地分成4段．從圖10可見，對應拇指、食指、中指、無名指和小指的識別結果為4、1、4、4和 4，與預設姿態庫中的手勢1匹配．限于版面，其余的姿態識別結果見附加材料圖S2(掃描論文末頁右下角二維碼)．從附加材料圖S2(a)至(h)可見，8種動作姿態的識別結果與姿態庫皆匹配．

實驗結果表明，利用光學彎曲傳感器，結合歸一化和分段處理算法以及姿態庫，可實現對軟體手多種姿態的準確識別．

圖10 軟體手姿態(手勢1)識別結果Fig.10 The posture recognition result of soft hand: gesture 1

3.5 物體大小識別

為驗證軟體手識別物體大小的能力，在圖11中，通過軟體手抓取直徑d=50、 40和30 mm的圓柱體．抓握過程中，食指、中指、無名指和小指同時握住物體．采集軟體手指的彎曲信息經歸一化處理后，結合非均勻和滯環分段，識別被抓物體的大?。?/p>

圖11 軟體手抓取不同大小的圓柱體Fig.11 The soft hand grabbing different sizes of cylinder

實驗采集100組數據，每組數據采集0.08 s，識別結果如圖12．圖12(a)中的上排是軟體手抓取3種不同尺寸物體的采集數據．圖12(a)的下排說明通過歸一化處理，抓取所用到的食指、中指、無名指和小指的數據趨勢一致，即4指中任一指均能區分出不同尺寸的物體，且結果一致．因此，本研究在實驗中選用中指的數據識別物體大?。畧D12(b)對中指歸一化數據分別求取不同尺寸下的平均值、最大值和最小值．圖12(c)是利用不同尺寸的平均值作為非均勻分段的臨界值得到的中指識別結果，分段臨界值分別選擇0.622 17、0.671 94和0.776 42．識別結果顯示，d=50 mm的識別結果在分段1和2間振蕩；d=40 mm的識別結果在分段2和3間振蕩；d=30 mm的識別結果在分段3和4間振蕩．統計100組數據，d=50 mm的識別結果在分段1為45，分段2為55；d=40 mm的識別結果在分段2為58，分段3為42；d=30 mm的識別結果在分段3為51，分段4為49．

因此，通過單臨界值的非均勻分段對物體大小的識別正確率分別為45%、58%和51%，依次對應d=50、 40和30 mm的圓柱體．在非均勻滯環分段方法中，利用不同尺寸大小的最小值作為非均勻滯環分段的下限(L_NSi, m-1)， 利用最大值作為非均勻滯環分段的上限(U_NSi, m-1)． 第1個分段滯環的上下限分別為0.640 34和0.503 07，第2個分段滯環的上下限分別為0.704 58和0.649 08，第3個分段滯環的上下限分別為0.800 33和0.752 37．圖12(d)是利用滯環分段法得到的識別結果：d=50 mm的識別結果恒為分段1；d=40 mm的識別結果恒為分段2；d=30 mm的識別結果恒為分段3．可見，利用非均勻滯環分段對3種尺寸的圓柱體進行識別，可避免振蕩現象出現．因此，結合滯環方法，可提高對物體大小的識別正確率．

圖12 物體大小識別結果Fig.12 The recognizing results of different sizes of object

結 語

本研究以LED、光導纖維和光敏傳感器制成光學彎曲傳感器．通過對光導纖維進行間隙性的粗糙化處理，使傳感器在彎曲時引起光線溢出、損耗光能．通過檢測光敏傳感器的輸出電壓得到彎曲度．將光學彎曲傳感器內嵌于軟體手指中，并集成5指軟體手，綜合利用其彎曲信息，通過歸一化處理，統一不同手指的衡量標準，結合均勻、非均勻和滯環分段，實現軟體手指的連續運動檢測、動作姿態和物體大小識別．結果表明，基于光導纖維的光學彎曲傳感器的可行性和有效性，并且因其自身的柔性，適合與軟體機器人結合實現柔性的信息感知．但是，這種光學彎曲傳感器還存在需深入探討的問題：如何使得多個傳感器間的特性一致(這要求U形彎曲尺寸、粗糙化處理、LED光強和光敏傳感器都保證一致)；如何利用多指間的彎曲比例，進行物體形狀識別；如何結合軟體手指的氣壓信息，提高識別能力和識別準確度．