用于传感器布置的力推断的方法、用于训练网络的方法、力推断模块及传感器布置与流程

1.本发明涉及用于传感器布置的力推断的方法、用于网络训练的相关方法、用于执行此类方法的力推断模块以及用于感测力的传感器布置。


背景技术：

2.在开发机器人等应用程序时，感知施加在机器人的手或机器人另一部分(例如腿或操纵装置)上的力对于赋予机器人增强的移动和/或操纵物体的能力至关重要。可以用在机器人应用中以便获得关于所施加的力的反馈的传感器布置的已知实现是非常昂贵的并且没有足够的分辨率。
3.传感器布置可用于测量力。然而，已知的传感器布置需要高密度传感器以提供高特殊分辨率。


技术实现要素：

4.因此，本发明的一个目的是提供一种用于传感器布置的力推断的方法和与现有技术不同或优化的相关方法。进一步的目的是提供力推断模块来执行这样的方法。另一个目的是提供一种传感器布置，用于使用这种力推断模块来感测力。
5.这些目的是通过主要权利要求的主题实现的。优选实施例可例如从从属权利要求中导出。权利要求的内容通过明确引用而成为说明书的内容。
6.本发明涉及一种用于感测力的传感器布置的力推断的方法。
7.这样的传感器布置，尤其是可以使用所述方法的传感器布置，尤其可以包括多个气压传感器。它可以进一步包括柔顺层。所述柔顺层尤其可以覆盖所述多个气压传感器并提供测量面。例如，可以使用本发明的方法的传感器布置可以是如本文所述的传感器布置、或可根据如本文所述的方法制造的传感器布置。关于所述传感器布置或制造方法，可以使用所有公开的实施例和变体。
8.所述力推断方法包括以下步骤：
[0009]-从所述多个气压传感器读取多个压力值，以及
[0010]-使用前馈神经网络基于所述多个压力值来计算测量面上的力图，所述力图包括多个力矢量。
[0011]
使用这种方法，传感器的力推断可以通过所述多个气压传感器获得高分辨率和/或复杂信息的方式进行。这是可能的，因为已经发现前馈神经网络可以提供比所述多个气压传感器的间距更精细分辨率的力信息。它甚至可以提供更多信息。如果正确训练前馈神经网络，则尤其可以获得此功能。下面进一步给出训练的优选实施方式。
[0012]
所述多个气压传感器特别适合于产生取决于例如气压的输出信号，例如线性相关于施加在特定气压传感器上的压力。特别是，压力从所述测量面传递到气压传感器，其中通常即使在测量面上以最小延伸施加的力也被传递到多个气压传感器，使得可使用前馈神经
网络这样的技术，以得到一个很好的分辨率。
[0013]
关于传感器布置，参考本文给出的详细描述，包括实施例和变体的描述。
[0014]
所述力图尤其可以是在真实测量面上定义的图，其中所述力图可以包括多个图点。在每个图点，可以定义一些信息，例如如下文进一步描述的力矢量。所述力图通常提供有关施加在测量面上的力的信息。例如，这样的力可能源自压在所述测量面上的一个压头或多个压头，或源自当前由所述传感器布置操纵的物体，例如，当所述传感器布置是机器人尖端时。
[0015]
根据一个实施方式，所述前馈神经网络包括传输网络和重构网络。所述传输网络将气压传感器映射到所述传感器布置的有限元模型的多个虚拟传感器。所述重构网络将所述有限元模型的虚拟传感器映射到力图。每个虚拟传感器可以包括一个或多个虚拟传感器点，每个虚拟传感器点具有虚拟传感器点值。
[0016]
因此，前馈神经网络在此实施中被拆分。这可增强功能，尤其是更好的训练可能性，这将在下面进一步描述。
[0017]
所述传输网络尤其可以将实际气压传感器或源自气压传感器的输出值映射到有限元模型。有限元模型尤其可以是实际传感器布置的虚拟模型。它可以特别用于增强力推断能力。可以使用所述有限元方法建立有限元模型。它可以包括所使用的真实组件和材料的虚拟表示。例如，所用材料的杨氏模量(young's modulus)和泊松比(poisson's ratios)可以与实际传感器布置相同地使用。此外，真实传感器布置和虚拟有限元模型之间的距离和其他几何尺寸可以相同。然而，应该注意的是，所述有限元模型是主要用于训练的组件，并不一定必须在训练完成后仅用于力推断的实现中实现。如果已经完成训练，则所述传输网络和所述重构网络可以与完整的有限元模型分开使用，其中在每种情况下都应该进行力推断，即应该获得力图，首先通过所述传输网络将气压传感器读取的输出值映射到虚拟传感器点值，再通过所述重构网络将得到的虚拟传感器点值映射到力图。
[0018]
通常，所述传输网络和所述重构网络是人工神经网络。映射可能特别意味着将输入值馈送到网络中，并且网络根据其训练生成输出值。所述训练可以适应定义网络行为的多个值。例如，可以使用大约100万个数值来定义网络的行为。在所述传输网络的情况下，它可能会收到来自所述多个气压传感器的数据，并且它可能会生成多个虚拟传感器点值。在所述重构网络的情况下，它可以被馈送虚拟传感器点值，并且它可以生成力图。整个前馈神经网络，无论是否拆分，都可以接受来自所述多个气压传感器的数据，并且它可以生成力图。
[0019]
虚拟传感器可以被认为是将真实传感器分割成传感器点。而一个真正的传感器，例如气压传感器可以将施加在其上的一个力转换成一个输出信号，虚拟传感器可以将这种力转换成多个传感器点值。通常，传感器点值位于有限元模型的区域中，所述区域对应于实际传感器布置中的气压传感器。有限元模型中的区域也可以更小或更大，例如小或大10％或50％。虚拟传感器概念还考虑了:气压传感器通常不会定位在一个已知为足够准确以在力推断中使用精确位置的点。尽管存在这些变化，但使用具有虚拟传感器点的有限元模型可以进行可靠的力推断。
[0020]
接下来将描述网络的训练方面。本段落中提到的训练步骤特别应被视为在执行真实力测量力推断之前已经执行的步骤。因此，力推断的方法可以被认为是在力推断之前执
行的训练步骤的组合，以及使用一个训练的网络或多个训练的网络的力推断。力推断的方法也可以被认为是力推断本身，使用一个或多个经过相应训练的网络。下文进一步描述了单独的训练方法。它们可以独立于任何力推论来执行。通常读取气压传感器并生成力图的力推断被视为要在用例中执行的动作，即当所述传感器布置将用于测量或评估施加在测量面上的力时，例如因为所述传感器布置当前正在操纵物体或以其他方式与在测量面上施加压力的物体接触。
[0021]
根据一个实施，所述重构网络可能已经通过在力推断之前所执行的以下步骤进行了训练：
[0022]-在有限元模型中进行多次模拟，每次模拟包括在有限元模型的模拟测量面上同时施加一个或多个模拟力，从而计算模拟测量面上的模拟力图，模拟力图包括多个模拟的力矢量，并通过所述有限元模型计算对应的虚拟传感器点值，以及
[0023]-用计算出的模拟力图和相应的计算出的虚拟传感器点值训练重构网络。
[0024]
可以使用所述重构网络的此类训练步骤以便适当地训练重构网络，使得它可以从虚拟传感器点值生成正确且精细的力图，其通常是所述传感器布置的预期输出。所述虚拟传感器点值尤其可以通过传输网络获得。
[0025]
已证明仅使用模拟来训练所述重构网络是合适的。特别地，可以使用这样的模拟以便以其不仅可以检测施加在测量面上的一个力而且可以检测多个力的方式来训练重构网络。这比使用真实的力测试训练网络要容易得多，在真实的力测试中，由于避免碰撞问题和复杂的实验设置，同时施加两个或多个力很复杂。已经表明的是，仅通过使用模拟来训练重构网络，就可以获得重构力图的高可靠性。模拟尤其可以在计算机或另一个可编程和/或自动数据处理实体中执行。
[0026]
所述有限元模型中的训练尤其可以通过纯计算机模拟来执行。因此，模拟的力也仅在这样的计算机模拟中被应用。模拟测量面通常是所述有限元模型的表面，例如所述有限元模型的柔顺层。因此，模拟测量面也仅存在于模拟中，而测量面是真实传感器布置的表面。
[0027]
模拟力被施加在模拟测量面上的模拟中。这导致模拟力图的形成。所述模拟力图包括多个模拟力矢量，其中每个模拟力矢量给出模拟力图的局部值。所述模拟力图可以表示和/或可以计算为模拟测量面的变形。它尤其可以使用有限元方法来计算。
[0028]
也可以通过所述有限元方法计算虚拟传感器点值。特别地，代表真实传感器布置的有限元模型的模拟力和结构和材料特性可以决定模拟力图和虚拟传感器点值。这给出了所述模拟力图和所述虚拟传感器点值之间的关系。
[0029]
在力推断中，可以基于间接测量真实力的气压传感器的数据生成虚拟传感器点值。利用模拟得到的虚拟传感器点值与模拟力图之间的关系，可以通过所述重构网络重构力图。
[0030]
应该注意的是，从虚拟传感器点值生成力图表示为重构。因此，执行这种重构的网络被表示为重构网络。
[0031]
在训练所述重构网络时，可以使用来自执行模拟的数据。这样的数据尤其可以包括模拟力图和相应的虚拟传感器点值。
[0032]
根据一个实施方式，施加在所述模拟测量面上的所述模拟力是基于具有模拟压头
形状的各个模拟压头生成的。所述形状尤其可以涉及所述模拟压头在模拟中接触所述模拟测量面的部分。因此，所述模拟压头是模拟中用于定义模拟力的对象。
[0033]
根据一个实施方式，所述模拟压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。这种模拟的压头形状已被证明是合适的，因为它们对应于在应用中接触测量面的真实物体的典型形状。使用这种不同的压头形状可以显着改善所述重构网络的训练，以便重构应用于真实测量面的相应或相似形状。应当注意的是，可以使用提到的每个形状，也可以只使用提到的一个形状，或者可以使用提到的形状的选择。替代地或另外地，可以使用其他形状。当模拟中使用多个压头时，这些压头可能具有相同或不同的形状。
[0034]
根据一个实施方式，使用多个不同的模拟压头形状来训练所述重构网络。这允许训练所述重构网络，以便可以区分不同压头形状产生的力。特别是，可以对每个使用的压头形状或每个使用的压头形状组合进行一次模拟或多次模拟。这种模拟可以例如在压头的数量不同、和/或一个压头或多个压头被应用的位置上不同。
[0035]
根据一个实施方式，使用多种尺寸的模拟压头训练所述重构网络。此外，或者作为使用不同形状的替代方案，这允许训练所述重构网络以区分压头或其他施加不同大小力的物体。例如，可以使用与所述模拟测量面的不同尺寸的接触部分。与使用不同压头形状给出的模拟执行相关的陈述相应地适用。此外，可以组合不同的压头形状和压头尺寸。
[0036]
根据一个实施方式，所述重构网络使用至少一部分模拟进行训练，包括同时应用基于两个或更多个模拟压头生成的模拟力。这可以训练所述重构网络以区分仅由一个压头施加的力和由两个或多个压头施加的力。这尤其可以在模拟中完成，这比准备用于执行两个或多个压头的此类应用的实验装置要容易得多。
[0037]
根据一个实施方式，所述重构网络用至少一部分模拟进行训练，包括应用仅基于一个模拟压头生成的模拟力。这允许在仅应用一个压头时进行力图重构的特定训练。
[0038]
例如，在一次典型的训练中可以进行以下模拟次数。
[0039]
训练单接触重构网络时，可以进行10000到50000或者30000次模拟。
[0040]
训练双接触重构网络时，可以进行5000到20000或者10000次模拟。
[0041]
训练三接触重构网络时，可以进行5000到20000或者10000次模拟。
[0042]
训练四接触重构网络时，可以进行5000到20000或者10000次模拟。
[0043]
用五接触训练重构网络时，可以进行5000到20000或者10000次模拟。
[0044]
然而，这些只是典型的或优选的数量。通常，可以执行任意数量的模拟。例如，双接触表示同时施加两个力，三接触表示同时施加三个力，四接触表示同时施加四个力，五接触表示同时施加五个力。可以在训练时结合这样的模拟。
[0045]
根据一个实施方式，每个模拟力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。因此，所述力图提供了有关这些组件的信息。应当注意的是，在根据现有技术的典型实施中，不能重构剪切力。然而，已经示出的是，当使用具有上述分量的此类模拟力矢量用于通过模拟训练所述重构网络时，除了法向力之外，还可以重构剪切力。这给出了附加信息，其在多个应用中是有价值的，例如在用于操纵物体的机器人应用中。
[0046]
根据一个实施方式，在模拟的力矢量中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力。特别地，所述第一剪切力垂直于所述第二剪
切力。由于剪切力的垂直定向，这提供了易于使用的信息。
[0047]
应当注意的是，所述力矢量可替代地也可以具有多于或少于三个分量。
[0048]
根据一个实施方式，使用具有不同剪切力分量的多个模拟力来训练所述重构网络。这能训练所述重构网络以区分施加在测量面上的不同剪切力。在一个模拟中使用的不同力分量之间的剪切力和/或不同模拟之间的不同剪切力可能会有所不同。
[0049]
根据一个实施方式，使用具有不同法向力分量的多个模拟力来训练所述重构网络。这能训练所述重构网络以区分施加在测量面上的不同法向力。一次模拟中使用的不同力之间的法向力和/或不同模拟之间的法向力可能会有所不同。
[0050]
应该注意的是，使用不同的模拟压头、不同的模拟压头形状、不同的模拟压头尺寸和/或不同的模拟剪切力或不同的模拟剪切力分量的概念也可以在训练用于力推断的神经网络时应用于其他情况目的。这独立于本文给出的传感器布置。真实压头和/或力也是如此。
[0051]
根据一个实施方式，所述传输网络可能已在力推断之前执行通过的以下步骤进行了训练：
[0052]-在所述传感器布置上执行多个力测试，每个力测试包括通过一个压头在所述传感器布置的所述测量面上的位置上施加力，同时测量由所述压头施加的力并同时用气压传感器测量压力值，
[0053]-对于每个力测试，用所述有限元模型执行相应的模拟，每个模拟包括在所述有限元模型的模拟测量面上施加模拟力，从而计算所述模拟测量面上的模拟力图，所述模拟力图包括多个模拟力矢量，所述模拟力对应于所述测量力并施加在所述模拟测量面上与所述测量面上的位置对应的位置上，通过所述有限元模型计算对应虚拟传感器点值值，和
[0054]-用测得的压力值和相应的计算虚拟传感器点值训练所述传输网络。
[0055]
与模拟相比，力测试是使用真实物理传感器布置执行的测试。压头可以是专门设计用于接触测量面的物体。可以执行力测试，使得传感器布置相对于固定的压头移动，或者使得所述压头相对于固定的传感器布置移动。此外，可以应用所述传感器布置和所述压头的运动。力可以在压头的应用期间被测量并且可以形成在模拟中施加的模拟力的基础。已证明测量力是合适的而不是尝试施加特定定义的力，因为后一种方法更复杂，即使它是可能的。压力值通常是所述多个气压传感器的输出信号。
[0056]
应该特别注意的是，已经发现没有必要同时应用多个压头进行力测试，来准备前馈神经网络以正确评估多个力。如上所述，这可以通过用于训练所述传输网络的模拟来完成。
[0057]
用于训练所述传输网络的模拟尤其可以使用与用于训练所述重构网络的模拟相同的有限元模型来执行。
[0058]
在模拟中，模拟力以及有限元模型的结构和材料特性通常是使用有限元模型进行的计算的基础。特别地，所述模拟力导致计算出的模拟力图和计算出的虚拟传感器点值。因此，所述有限元模型用于计算与实际施加在测量面上的力相对应的虚拟传感器点值。
[0059]
所述模拟力尤其可以对应于真实测得的力，例如它可以具有相同的分量、相同的绝对值和/或相同的方向。特别地，所述模拟力可以在模拟压头的接触区域上具有积分，模拟压头将模拟力施加在模拟测量面上，在模拟测量面上施加所述模拟力等于测量力或与测
量力具有预定关系，或是真实和/或测量力在真实接触区域上的积分。例如，这可与力的幅度和/或方向有关。也可以使用测量力和模拟力之间的预定义变化，这也可以被视为相应的力。
[0060]
例如，可以使用相机通过例如图像识别来测量位置，也可以在进行力测试时根据机器参数计算出位置。模拟力尤其可以施加在模拟测量面的与真实测量面上施加真实力的位置相同的位置上。这给出了实验和模拟之间的良好对应。
[0061]
在训练所述传输网络时，可以使用实验数据和模拟数据。这种模拟数据尤其可以包括气压传感器的压力值和来自相应模拟的虚拟传感器点值。
[0062]
根据一个实施方式，用于训练所述传输网络的力测试是用多个压头执行的，每个压头具有各自的压头形状。所述形状可能特别与力测试中接触测量面的压头部分有关。因此，压头是力测试中用来定义施加在测量面上的力的物体。特别地，可以进行多个力测试，其中在每个力测试中使用一组压头形状中的一个。通常，每次力测试只使用一个压头。
[0063]
根据一个实施方式，所述压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。这种压头形状已被证明是合适的，因为它们对应于在应用中接触测量面的物体的典型形状。使用这种不同的压头形状可以显着改善所述传输网络的训练，以便重构应用于测量面的相应或相似形状。应当注意的是，可以使用每个提到的形状，可以只使用一个提到的形状，或者可以使用提到的形状的选择。替代地或另外地，可以使用其他形状。
[0064]
根据一个实施方式，使用基于模拟压头的模拟力执行模拟，模拟压头的各个模拟压头形状对应于相应力测试中使用的真实压头形状。这确保了力测试和模拟之间的最佳对应，从而可理想地训练传输网络。
[0065]
根据一个实施方式，所述传输网络使用多种不同的压头形状进行训练。这能够对传输网络进行训练，以便可以区分不同压头形状产生的力。通常，不同的压头形状分布在多个力测试中，因为在每个力测试中仅应用一个压头。
[0066]
根据一个实施方式，使用多个不同尺寸的压头训练传输网络。此外，或者作为使用不同形状的替代方法，这可训练所述传输网络，以区分压头或其他施加不同大小力的物体。例如，可以使用与测量面的不同尺寸的接触部分。
[0067]
根据一个实施方式，所述传输网络是用多个压头训练的，至少对于用于训练所述传输网络的一部分力测试，施加相应的剪切力。这可训练所述传输网络，以区分施加在测量面上的不同剪切力。特别地，可以用不同的剪切力或剪切力分量进行多个力测试。
[0068]
根据一个实施方式，所测量力各自包括法向力分量、第一剪切力分量和第二剪切力分量。因此，测得的力可以提供有关这些分量的信息。应当注意的是，在根据现有技术的典型实施中，不能测量剪切力。然而，已经表明，当具有上述分量的此类模拟力矢量用于通过力测试训练传输网络时，除了法向力之外，还可以重构剪切力。这给出了附加信息，其在多个应用中是有价值的，例如在用于控制机器人尖端的机器人应用中。
[0069]
根据一个实施方式，在测量力中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力。特别地，所述第一剪切力垂直于所述第二剪切力。由于剪切力的垂直方向，这提供了易于使用的信息。
[0070]
应该注意的是，测量力也可以替代地具有多于或少于三个分量。
[0071]
测得的力可以在全局坐标系中(global coordinate system)表示。它们也可以用在接触点处局部垂直于测量面的法向分量来表示，剪切力垂直于法向分量和/或相互垂直。这可以看作是等效的，因为可以使用坐标变换来计算另一个坐标系中的分量。
[0072]
根据一个实施方式，使用具有不同剪切力分量的多个力来训练所述传输网络。这可训练所述传输网络，以区分施加在测量面上的不同剪切力。剪切力可以在一次力测试中使用的力的不同分量之间和/或不同的力测试之间变化。
[0073]
根据一个实施方式，使用具有不同法向力分量的多个力来训练所述传输网络。这允许训练所述传输网络，以区分施加在测量面上的不同法向力。法向力在不同的力测试和相应的模拟之间尤其会有所不同。
[0074]
根据一个实施方式，由所述压头施加的力是使用所述压头中或定位在所述压头附近的力传感器来测量的。这种力传感器可以测量压头施加在测量面上的力。它尤其可以测量力的三个分量，例如上所述。将所述力传感器定位在压头附近尤其可以包括:定位所述力传感器以使它接触所述压头和/或使得它定位在所述压头和安装所述压头的物体之间。
[0075]
根据一个实施方式，每个模拟力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。这尤其可以对应于测得的力。因此，在力测试中，可以使用模拟力来模拟对应于真实施加的力。
[0076]
根据一个实施方式，所述前馈神经网络直接将所述多个气压传感器映射到力图。这可以被视为将所述前馈神经网络拆分为所述传输网络和所述重构网络的替代实施方式。特别是，在这个实施方式中，没有使用压力值映射到虚拟传感器点值。相反地，只有一个神经网络经过训练并将所述压力值直接映射到力图。
[0077]
例如，可以执行20到100次的力测试和相应的模拟，或者50次力测试和相应的模拟，以便正确训练传输网络。
[0078]
作为进一步的示例，可进行至少20次力测试、至少50次力测试、至少100次力测试、至少500次力测试、至少1,000次力测试、至少2,000次力测试或至少10,000次力测试和/或可进行最多500次力测试、最多1000次力测试、最多2000次力测试、最多10000次力测试或最多50000次力测试。然而，也可以使用其他次数。
[0079]
力测试尤其可以这样进行，即力不是预先确定的而是在每种情况下测量的。可以使用不同的装置参数以获得不同的力。
[0080]
根据一个实施方式，所述前馈神经网络可能在力推断之前已经通过执行的以下步骤进行了训练：
[0081]-在所述传感器布置上执行多个力测试，每个力测试包括通过一个压头在所述传感器布置的所述测量面上的位置上施加力，同时测量由压头施加的力并同时使用气压传感器测量压力值，
[0082]-对于每个力测试，用所述传感器布置的有限元模型执行相应的模拟，每个模拟包括在所述有限元模型的模拟测量面上施加模拟力，从而计算模拟测量面上的模拟力图，模拟力图包括多个模拟力矢量，模拟力对应于测量力并且被施加在模拟测量面上的位置对应于测量面上的位置，以及
[0083]-用测得的压力值和相应的计算模拟力图训练所述前馈神经网络。
[0084]
当没有使用虚拟传感器点值时，也可以执行这样的训练。例如，它可以用在所述前
馈神经网络直接将压力值映射到力图的实施方式中，如上所述。然而，它也可以实现成如上所讨论的将所述前馈神经网络拆分为传输网络和重构网络，特别是除了分别训练传输网络和重构网络。
[0085]
关于力测试和模拟的细节，参考上面关于所述传输网络的训练和所述重构网络的训练的陈述。
[0086]
根据一个实施方式，用于训练所述前馈神经网络的力测试是用多个压头执行的，每个压头具有相应的压头形状。形状可能特别与力测试中接触测量面的压头部分有关。因此，压头是力测试中用来在测量面施加力的物体。
[0087]
根据一个实施方式，所述压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。这种压头形状已被证明是合适的，因为它们对应于在应用中接触测量面的物体的典型形状。使用这种不同的压头形状可以显着改善所述前馈神经网络的训练，以便重构应用于测量面的相应或相似形状。应当注意的是，可以使用每个提到的形状，可以只使用一个提到的形状，或者可以使用提到的形状的选择。替代地或另外地，可以使用其他形状。
[0088]
根据一个实施方式，使用基于模拟压头的模拟力执行模拟，模拟压头的各个模拟压头形状对应于相应力测试中使用的真实压头形状。这确保了力测试和模拟之间的最佳对应，使得所述前馈神经网络可以被理想地训练。
[0089]
根据一个实施方式，使用多个不同的压头形状来训练所述前馈神经网络。这可训练所述前馈神经网络，从而可以区分不同压头形状产生的力。
[0090]
根据一个实施方式，所述前馈神经网络使用多个不同尺寸的压头进行训练。此外，或者作为使用不同形状的替代方案，这可训练所述前馈神经网络以区分压头或其他施加不同大小力的物体。例如，可以使用与测量面的不同尺寸的接触部分。
[0091]
根据一个实施方式，所述前馈神经网络是用所述压头训练的，至少对于用于训练前馈神经网络的力测试的一部分，施加相应的剪切力。这可训练所术前馈神经网络以区分施加在测量面上的不同剪切力。特别地，可以用不同的剪切力或剪切力分量进行多个力测试。
[0092]
根据一个实施方式，所测量力各自包括法向力分量、第一剪切力分量和第二剪切力分量。因此，测得的力可以提供有关这些分量的信息。应当注意的是，在根据现有技术的典型实施中，不能测量剪切力。然而，已经表明，当使用具有上述分量的此类模拟力矢量来训练具有力测试的前馈神经网络时，除了法向力之外，还可以重构剪切力。这给出了附加信息，其在多个应用中是有价值的，例如在用于控制机器人尖端的机器人应用中。
[0093]
根据一个实施方式，在测量力中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力。特别地，所述第一剪切力垂直于所述第二剪切力。由于剪切力的垂直方向，这提供了易于使用的信息。
[0094]
应该注意的是，测量力也可以替代地具有多于或少于三个分量。
[0095]
根据一个实施方式，使用具有不同剪切力分量的多个力来训练所述前馈神经网络。这可训练所述前馈神经网络以区分施加在测量面上的不同剪切力。剪切力在一次力测试中使用的力的不同分量之间和/或不同的力测试之间可有所不同。
[0096]
根据一个实施方式，使用具有不同法向力分量的多个力来训练所述前馈神经网
络。这可训练所述前馈神经网络以区分施加在测量面上的不同法向力。法向力在不同的力测试之间尤其会有所不同。
[0097]
根据一个实施方式，由所述压头施加的力是使用所述压头中或定位在所述压头附近的力传感器来测量的。这种力传感器可以测量压头施加在测量面上的力。它尤其可以测量力的三个分量，例如上所述。将所述力传感器定位在压头附近尤其可以包括:定位所述力传感器使得它接触压头和/或使得它定位在所述压头和安装所述压头的物体之间。
[0098]
根据一个实施方式，每个模拟力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。这尤其可以对应于测得的力。因此，在力测试中，可以使用模拟力来模拟对应于真实施加的力。
[0099]
在下文中，描述了与力推断的实际过程相关的方面，而不是主要与训练相关的方面。
[0100]
根据一个实施方式，计算的力图所基于的压力值被同时或在预定义的时间段期间被读出。这确保了所有压力值都与相同的力应用有关。
[0101]
根据典型的实施方式，所述力图包括每平方毫米至少0.25个力矢量、每平方毫米至少0.5个力矢量、每平方毫米至少0.75个力矢量、每平方毫米至少1个力矢量、每平方毫米至少1.5个力矢量，或者每平方毫米至少2个力矢量。
[0102]
根据典型的实施方式，所述力图包括每平方毫米最多0.25个力矢量、每平方毫米最多0.5个力矢量、每平方毫米最多0.75个力矢量、每平方毫米最多1个力矢量、每平方毫米最多1.5个力矢量，或者每平方毫米最多2个力矢量。
[0103]
这种力矢量密度已被证明适用于典型应用，因为它们提供了足够的分辨率，并且可以通过广泛可用的计算能力获得。每个较低的数值都可以与每个较高的数值组合以形成合适的区间。此外，可以使用其他的力矢量密度。
[0104]
根据典型的实施方式，所述力图包括至少500个、至少1000个或至少2000个力矢量。根据典型的实施方式，所述力图包括至多1000个、至多2000个、至多3000个或至多4000个力矢量。这样的实施方式可例如用于传感器布置是近似于人类大小的机器人的尖端的情况。
[0105]
根据优选实施方式，每个力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。这允许所述力图提供合适的三维信息。
[0106]
特别地，所述第一剪切力分量可以对应于第一剪切力，并且所述第二剪切力分量可以对应于第二剪切力。所述第一剪切力尤其可以垂直于所述第二剪切力。这允许所述力图给出施加力的合适的剪切力信息。
[0107]
根据一个实施方式，用于力推断的方法进一步包括:从所述多个气压传感器读取温度值并且基于温度值提供所述传感器布置的温度信息或温度图。这可以提供额外的温度信息，这些信息可以用在例如机器人控制应用中。所述多个气压传感器中存在的温度测量功能可用于此目的。
[0108]
应当注意的是，当方法包括力图和模拟力图两者时，通常所述力图与所述传感器布置相关，而所述模拟力图与所述有限元模型相关。用于其中一个力图的陈述通常可以应用于这两个力图。
[0109]
在下文中，将描述用于训练网络的不同方法。这些方法不是力推断方法的一部分，
而是单独执行以训练网络。关于各个特征，参考上面关于网络的训练和力推断的方法已经给出的陈述，以避免重复。
[0110]
本发明涉及一种重构网络的训练方法，
[0111]-其中所述重构网络将传感器布置的有限元模型的虚拟传感器映射到力图，所述传感器布置包括多个气压传感器和覆盖所述多个气压传感器以及提供测量面的柔顺层，所述力图包括多个力矢量，
[0112]-其中每个虚拟传感器包括一个或多个虚拟传感器点，每个虚拟传感器点具有虚拟传感器点值，
[0113]-其中所述重构网络通过以下步骤进行训练：
[0114]-在所述有限元模型中进行多次模拟，每次模拟包括在所述有限元模型的模拟测量面上同时施加一个或多个模拟力，从而计算所述模拟测量面上的模拟力图，所述模拟力图包括多个模拟的力矢量，并通过所述有限元模型计算对应的虚拟传感器点值，以及
[0115]-用计算出的模拟力图和相应的计算出的虚拟传感器点值训练所述重构网络。
[0116]
根据一个实施方式，施加在所述模拟测量面上的所述模拟力是基于具有模拟压头形状的各个模拟压头生成的。
[0117]
根据一个实施方式，所述模拟压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。
[0118]
根据一个实施方式，使用多个不同的模拟压头形状来训练所述重构网络。
[0119]
根据一个实施方式，使用多种尺寸的模拟压头来训练所述重构网络。
[0120]
根据一个实施方式，所述重构网络用至少一部分模拟进行训练，模拟包括同时施加基于两个或多个模拟压头产生的模拟力。
[0121]
根据一个实施方式，所述重构网络用至少一部分模拟进行训练，模拟包括施加仅基于一个模拟压头生成的模拟力。
[0122]
根据一个实施方式，每个模拟力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。
[0123]
根据一个实施方式，在模拟的力矢量中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且其中所述第一剪切力垂直于所述第二剪切力。
[0124]
根据一个实施方式，使用具有不同剪切力分量的多个模拟力来训练所述重构网络。
[0125]
根据一个实施方式，使用具有不同法向力分量的多个模拟力来训练所述重构网络。
[0126]
根据一个实施方式，所述重构网络被用于如上文关于使用传输网络和重构网络所描述的方法中。
[0127]
根据各自的实施方式，
[0128]-所述力图包含每平方毫米至少0.25个力矢量、每平方毫米至少0.5个力矢量、每平方毫米至少0.75个力矢量、每平方毫米至少1个力矢量、每平方毫米至少1.5个力矢量、或每平方毫米至少2个力矢量，
[0129]
和/或
[0130]-所述力图包含每平方毫米至多0.25个力矢量、每平方毫米至多0.5个力矢量、每平方毫米至多0.75个力矢量、每平方毫米至多1个力矢量、每平方毫米至多1.5个力矢量、或每平方毫米至多2个力矢量。
[0131]
根据一个实施方式，每个力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。
[0132]
根据一实施方式，
[0133]-所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且
[0134]-所述第一剪切力垂直于所述第二剪切力。
[0135]
这同样适用于模拟力图及其模拟力矢量。
[0136]
本发明涉及一种训练传输网络的方法，
[0137]-其中所述传输网络将传感器布置的多个气压传感器映射到所述传感器布置的有限元模型的多个虚拟传感器，所述传感器布置包括多个气压传感器及覆盖所述多个气压传感器并提供一个测量面的柔顺层，
[0138]-其中每个虚拟传感器包括一个或多个虚拟传感器点，每个虚拟传感器点具有虚拟传感器点值，
[0139]-其中所述传输网络通过以下步骤进行训练：
[0140]-在所述传感器布置上执行多个力测试，每个力测试包括通过一个压头在所述传感器布置的测量面上的位置上施加力，同时测量由压头施加的力并同时用所述多个气压传感器压测量压力值，
[0141]-对于每个力测试，用所述有限元模型执行相应的模拟，每个模拟包括在所述有限元模型的模拟测量面上施加模拟力，从而计算模拟测量面上的模拟力图，模拟力图包括多个模拟力矢量，所述模拟力对应于测量力，且施加在所述模拟测量面上的位置对应于所述测量面上的位置，并通过所述有限元模型计算出对应的虚拟传感器点值，和
[0142]-用测得的压力值和相应的计算虚拟传感器点值来训练传输网络。
[0143]
根据一个实施方式，用于训练所述传输网络的力测试是用多个压头执行的，每个压头具有各自的压头形状。
[0144]
根据一个实施方式，所述压头形状是是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。
[0145]
根据一个实施方式，使用基于所述模拟压头的模拟力执行模拟，所述模拟压头的各个模拟压头形状对应于相应力测试中使用的真实压头形状。
[0146]
根据一个实施方式，所述传输网络使用多个不同的压头形状进行训练。
[0147]
根据一个实施方式，所述传输网络使用多个不同尺寸的压头进行训练。
[0148]
根据一个实施方式，所述传输网络用至少用于训练所述传输网络的一部分力测试的压头施加相应的剪切力来训练。
[0149]
根据一个实施方式，所测量力各自包括法向力分量、第一剪切力分量和第二剪切力分量。
[0150]
根据一个实施方式，在所测量力中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且其中所述第一剪切力垂直于所述第二剪切
力。
[0151]
根据一个实施方式，使用具有不同剪切力分量的多个力来训练所述传输网络。
[0152]
根据一个实施方式，使用具有不同法向力分量的多个力来训练所述传输网络。
[0153]
根据一个实施方式，由压头施加的力是使用压头中或定位在压头附近的力传感器来测量的。
[0154]
根据一个实施方式，每个模拟力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。
[0155]
根据一个实施方式，在上述关于使用传输网络和重构网络的方法中使用所述传输网络。
[0156]
本发明涉及一种训练前馈神经网络的方法，
[0157]-其中所述前馈神经网络基于气压传感器的压力值计算传感器布置的测量面上的力图，所述传感器布置包括多个气压传感器和覆盖所述多个气压传感器并提供测量面的柔顺层，所述力图包括多个力矢量，
[0158]-其中所述前馈神经网络通过以下步骤进行训练：
[0159]-在所述传感器布置上执行多个力测试，每个力测试包括通过一个压头在所述传感器布置的测量面上的位置上施加力，同时测量由压头施加的力并同时用所述多个气压传感器测量压力值，
[0160]-对于每个力测试，用所述传感器布置的有限元模型执行相应的模拟，每个模拟包括在所述有限元模型的模拟测量面上施加模拟力，从而计算模拟测量面上的模拟力图，所述模拟力图包括多个模拟力矢量，所述模拟力对应于所述测量力并且被施加在所述模拟测量面上的位置对应于所述测量面上的位置，以及
[0161]-用测得的压力值和相应的计算模拟力图训练所述前馈神经网络。
[0162]
根据一个实施方式，用于训练所述前馈神经网络的力测试是用多个压头执行的，每个压头具有相应的压头形状。
[0163]
根据一个实施方式，所述压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。
[0164]
根据一个实施方式，使用基于所述模拟压头的所述模拟力执行模拟，模拟压头的各个模拟压头形状对应于相应力测试中使用的真实压头形状。
[0165]
根据一个实施方式，使用多个不同的压头形状来训练所述前馈神经网络。
[0166]
根据一个实施方式，使用多个不同尺寸的压头来训练所述前馈神经网络。
[0167]
根据一个实施方式，所述前馈神经网络是用压头训练的，至少对于用于训练所述前馈神经网络的部力分量测试，施加相应的剪切力。
[0168]
根据一个实施方式，所测量力各自包括法向力分量、第一剪切力分量和第二剪切力分量。
[0169]
根据一个实施方式，在所测量力中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且其中所述第一剪切力垂直于所述第二剪切力。
[0170]
根据一个实施方式，使用具有不同剪切力分量的多个力来训练所述前馈神经网络。
[0171]
根据一个实施方式，使用具有不同法向力分量的多个力来训练所述前馈神经网络。
[0172]
根据一个实施方式，使用所述压头中或定位在所述压头附近的力传感器来测量力。
[0173]
根据一个实施方式，每个模拟力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。
[0174]
根据一个实施方式，在模拟的力矢量中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且其中所述第一剪切力垂直于所述第二剪切力。
[0175]
根据一个实施方式，所述前馈神经网络被用于如上所述的力推断方法中。
[0176]
根据各自的实施方式，
[0177]-所述力图包含每平方毫米至少0.25个力矢量、每平方毫米至少0.5个力矢量、每平方毫米至少0.75个力矢量、每平方毫米至少1个力矢量、每平方毫米至少1.5个力矢量、或每平方毫米至少2个力矢量，
[0178]
和/或
[0179]-所述力图包含每平方毫米至多0.25个力矢量、每平方毫米至多0.5个力矢量、每平方毫米至多0.75个力矢量、每平方毫米至多1个力矢量、每平方毫米至多1.5个力矢量、或每平方毫米至多2个力矢量。
[0180]
根据一个实施方式，每个力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。
[0181]
根据一个实施方式，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且其中所述第一剪切力垂直于所述第二剪切力。
[0182]
在下文中，描述了可以应用本文所公开的方法的传感器布置的细节。进一步参考本文给出的这种传感器布置的细节或解释，其可以相应地应用。
[0183]
特别地，在本文公开的方法中，传感器布置可以是用于感测力的传感器布置，所述传感器布置包括：
[0184]-柔性电路板，
[0185]-多个气压传感器，安装在柔性电路板上，
[0186]-刚性芯，所述柔性电路板包裹并安装到所述刚性芯上，使得所述柔性电路板至少部分地覆盖所述刚性芯，所述多个气压传感器突出于所述刚性芯，并且
[0187]-柔顺层，覆盖所述多个气压传感器，并提供测量面。
[0188]
然而，应当注意的是，本文公开的力推断和训练的概念也可以用于其他传感器布置。这尤其涉及使用不同的压头尺寸、不同的压头形状、不同的剪切力和/或不同的剪切力分量。这些概念可以被概括。
[0189]
根据一个实施方式，所述刚性芯是圆顶形的。
[0190]
根据一个实施方式，所述刚性芯具有多个小面，其中每个气压传感器定位在多个小面之一者上。
[0191]
根据一个实施方式，所述柔顺层包括塑料材料或橡胶，或由塑料材料或橡胶组成
[0192]
根据一个实施方式，所述塑料材料是热塑性塑料、弹性体、热塑性弹性体或热固性
塑料。
[0193]
根据一个实施方式，所述柔顺层将施加在所述测量面上的力传递到所述多个气压传感器的至少一部分。
[0194]
根据一个实施方式，所述多个气压传感器通过所述柔性电路板上的导体路径连接。
[0195]
根据一个实施方式，所述柔性电路板为星号形状。
[0196]
根据一个实施方式，所述柔性电路板包括连接在中心部分的多个臂。
[0197]
根据各自的实施方式，所述多个气压传感器以至少1毫米、至少2毫米、至少3毫米、至少4毫米、或至少5毫米的距离布置和/或至多1毫米毫米、至多2毫米、至多3毫米、至多4毫米或至多5毫米的距离布置。
[0198]
根据一个实施方式，所述传感器布置是机器人尖端和/或机器人的操纵元件。
[0199]
根据一个实施方式，所述刚性芯是3d打印部件。
[0200]
本发明还涉及用于感测力的传感器布置的力推断的力推断模块，所述力推断模块配置以执行如本文公开的方法。关于所述方法，可以应用所有实施例和变体。
[0201]
本发明涉及一种用于感测力的传感器布置，所述传感器布置包括以下一个、一些或全部：
[0202]-柔性电路板，
[0203]-多个气压传感器，安装在所述柔性电路板上，
[0204]-刚性芯，所述柔性电路板包裹并安装到所述刚性芯上，使得所述柔性电路板至少部分地覆盖所述刚性芯，所述多个气压传感器突出于所述刚性芯，
[0205]-柔顺层，覆盖所述多个气压传感器并提供测量面，以及
[0206]-根据本发明的力推断模块。
[0207]
关于包括力推断模块的传感器布置，可以应用力推断模块和传感器布置及其部件的所有实施例和变体，尤其是如本文所描述的。
[0208]
在下文中，描述了进一步的发明方面。这些方面可以组合、单独、或与本文公开的其他特征组合。它们也可以被视为单独的发明方面，并且可以作为权利要求的主题。
[0209]
本发明涉及一种用于感测力的传感器布置。所述传感器布置包括柔性电路板。所述传感器布置包括安装所述在柔性电路板上的多个气压传感器。所述传感器布置包括刚性芯，所述柔性电路板包裹并安装到刚性芯上，使得所述柔性电路板至少部分地覆盖所述刚性芯使所述多个气压传感器从所述刚性芯突出。所述传感器布置还包括覆盖所述多个气压传感器并提供测量面的柔顺层(compliant layer)。
[0210]
这种传感器布置可以低成本制造并提供高分辨率。
[0211]
所述柔性电路板应理解为单独使用时是柔性的，尤其是在安装到所述刚性芯上之前。这种柔性电路板易于制造和处理，从而减少了工作量和成本。所述气压传感器可以是许多工业或科学应用中使用的标准类型。因此，它们非常便宜。气压传感器通常提供与施加在气压传感器上的力成比例的输出信号(即压力值)。这可以看作是气压传感器的定义。一般来说，可以使用任何压力传感器。
[0212]
所述刚性芯通常由刚性材料制成，例如塑料材料或金属。它提供了传感器布置的稳定性，尤其是在施加力时。因此，所述柔顺层可以响应于施加的力而变形，而所述刚性芯
吸收力并提供不可变形的参考。
[0213]
所述柔性电路板至少部分覆盖刚性芯的特征通常意味着所述刚性芯的至少一部分被柔性电路板覆盖。通常，所述刚性芯可以具有旨在被柔性电路板覆盖的表面，并且柔性电路板可以部分地或完全地覆盖所述表面。因此，所述柔性电路板可能会留下一部分所述刚性芯的表面未被覆盖。
[0214]
所述柔性电路板的柔性通常意味着它可以在其分离的状态下容易地弯曲，特别是还没有安装在所述刚性芯上。例如，所述柔性电路板在分离状态下可以表现得像一块布或橡胶。
[0215]
所述柔性电路板尤其可以使用胶水或通过螺锁来安装到所述刚性芯。然而，也可以使用其他方式来将所述柔性电路板安装到所述刚性芯。
[0216]
通常，在所述柔性电路板安装在所述刚性芯上之前，所述多个气压传感器已经安装在所述柔性电路板上。
[0217]
所述柔性电路板可以包括多个导体路径，例如连接所述多个气压传感器的电线，以便为它们供电和/或读取数据。使用所述柔性电路板是为安装在单独形状的所述刚性芯上的此类气压传感器提供电源和/或读取能力的一种非常有效的方式，因为所述柔性电路板上的电线自动适应任何需要的形状。
[0218]
所述柔顺层尤其是响应于施加到所述测量面的力而可变形的层。这种变形是外力或其他参数(如压头形状或剪切力)的特征。所述柔顺层尤其可以是柔性的和/或有弹性的，使得它在力的施加停止之后自动恢复到限定的形状。施加在所述测量面上的力通常由所述柔顺层传递到所述多个气压传感器，尤其是对于施加在测量面上的典型力，所述多个气压传感器受到所述力的影响。因此，即使所述多个气压传感器的间距比现有技术中已知的高分辨率传感器宽得多，也可以实现非常高分辨率的力检测。这尤其是由于可以使用更复杂的力推断技术，例如基于机器学习和/或人工神经网络(artificial neural networks)，例如本技术中所描述的。特别地，一个单一的柔顺层可以覆盖所有气压传感器。
[0219]
根据一个实施例，所述刚性芯是圆顶形的。当传感器布置是机器人的尖端或另一个操纵元件时，这尤其适用。然而，也可以使用其他形状。例如，所述传感器布置可以适用于为机器人设计足部传感器、小腿传感器、大腿传感器或乳房传感器。可以相应地调整所述刚性芯的形状。例如，它可以是平面、圆柱体的形状，也可以是任意形状。通常，形状的设计使得接触力可以同时激活多个气压传感器，从而可以定位力。
[0220]
所述刚性芯尤其可以具有多个小面。根据一个实施方式，每个气压传感器或至少一部分气压传感器定位在多个小面中的至少一个小面上。因此，每个气压传感器的朝向可以由它所在的相应小面的朝向来定义。这并不排除可以将一个以上的气压传感器布置在相应的小面上。还可能存在所述刚性芯的表面的小面或其他部分没有安装气压传感器。
[0221]
应该注意的是，虽然所述多个气压传感器放置在所述柔性电路板上，但所述柔性电路板通常适应刚性芯的小面的形状。因此，所述柔性电路板本身形成小面。
[0222]
特别是，小面可以有不同的朝向，因此可以执行不同方向的力测量。
[0223]
所述柔顺层可以包括塑料材料或橡胶或由塑料材料或橡胶组成。塑料材料例如可以是热塑性塑料、弹性体、热塑性弹性体或热固性材料或类似材料。这些材料已被证明适用于典型应用。然而，也可以使用其他材料。特别是，它们可以用于上述柔顺层的制造过程。
[0224]
所述柔顺层尤其可以将施加在测量面上的力传递到至少一部分的所述多个气压传感器。特别地，它可以配置以使得至少将一部分或大部分测量面的上的力传递给一个以上的气压传感器。这允许在使用电子力推断技术测量力时提高分辨率。
[0225]
所述多个气压传感器尤其可以通过所述柔性电路板上的导体路径连接。这些导体路径尤其可以是柔性的，以便在包裹所述柔性电路板时，它们自动适应所述刚性芯的表面。这样的导体路径允许气压传感器的可靠且容易的连接。
[0226]
所述多个气压传感器尤其可以通过所述柔性电路板上的导体路径连接。这些导体路径尤其可以是柔性的，以便在包裹所述柔性电路板时，它们自动适应所述刚性芯的表面。这样的导体路径允许气压传感器的可靠且容易的连接。
[0227]
所述柔性电路板尤其可以是星号形的。特别地，它可以包括在中心部分连接的多个臂或辐条(spoke)。这尤其允许在圆顶形刚性芯上包裹柔性电路板，例如可以从附图中看出。
[0228]
所述多个气压传感器可以至少1毫米、至少2毫米、至少3毫米、至少4毫米或至少5毫米的距离布置。它们也可以至多1毫米、至多2毫米、至多3毫米、至多4毫米或至多5毫米的距离布置。所述距离可以是气压传感器的外围之间的距离。可以组合每两个不同的值以形成合适的间隔。
[0229]
特别地，所述传感器布置可以是机器人尖端和/或机器人的操纵元件。虽然这是优选的应用，但应该注意的是，所述传感器布置原则上也可以用于多个其他应用，尤其是当必须测量力时和/或当应该使用元件来操纵时。操纵尤其是指:例如可以与传感器布置相同的操纵元件，可以抓住或捕捉待操纵的物品并且例如根据其位置或方向操纵物品。这样做时，可以使用传感器布置来测量力。一般而言，可以说如本文所公开的传感器布置可以将气压感测技术与新颖的组装方法相结合。它可以进一步与机器学习技术相结合，例如本文所公开的，以便创建具有高稳健性(robustness)水平并且例如具有三维圆顶形状的高分辨率触觉传感器
[0230]
根据一个实施例，所述刚性芯是3d打印部件。这允许可变化且高效的制造。然而，也可以使用其他制造方法，例如钻孔或成型。
[0231]
例如，可以使用至少5个、至少10个、至少15个、至少19个、至少20个、至少25个、至少30个、至少35个或至少37个气压传感器。它们可以包裹在圆顶形的中央芯上。这种组件可以放置在模具中，模具中覆盖有材料(例如聚氨酯)，以提供保护传感器的柔性外表面，同时还能够进行局部压力测量。通常，所述多个气压传感器是单独的元件，因此每个气压传感器都可以在视觉上和/或物理上与相邻传感器区分开来。
[0232]
本发明还涉及一种用于制造用于感测力的传感器布置的方法。所述方法包括以下步骤：
[0233]-提供其上安装有多个气压传感器的柔性电路板，
[0234]-提供刚性芯，
[0235]-将所述柔性电路板包裹并安装在所述刚性芯上，使得所述柔性电路板至少部分地覆盖所述刚性芯，所述多个气压传感器突出于所述刚性芯，以及
[0236]-用柔顺层覆盖所述多个气压传感器，从而在所述柔顺层上提供测量面。
[0237]
这种方法尤其可以用于制造如前所述的传感器布置。应当注意的是，关于传感器
布置给出的所有陈述也可以应用于制造传感器布置的方法。反之亦然，只要这样的说法在技术上是合适的。
[0238]
所述方法提供了传感器布置的便宜且高效的制造，尤其是根据本发明的传感器布置。
[0239]
根据一个实施方式，在所述方法开始时，所述多个气压传感器已经安装在所述柔性电路板上。然而，在替代实施方式中，将所述多个气压传感器安装在柔性电路板上可以是所述方法的一部分，例如如下文进一步描述的。
[0240]
将所述柔性电路板安装在所述刚性芯上可以例如通过使用胶水、使用螺钉、或通过夹紧或以其他方式固定所述柔性电路板，以使其覆盖所述刚性芯的至少一部分表面来执行。
[0241]
由于所述多个气压传感器突出于所述刚性芯，可以改善源自施加在测量面上的力对气压传感器的力的施加。特别地，这意味着所述刚性芯接触所述柔性电路板的一个表面，并且所述多个气压传感器安装在所述柔性电路板的相对表面上。
[0242]
当所述柔顺层覆盖所述多个气压传感器时，它通常也覆盖所述柔性电路板，尤其是覆盖所述多个气压传感器外部的所述柔性电路板的部分以及至少一部分所述刚性芯。尤其是，所述柔顺层可直接接触所述刚性芯被所述柔顺层覆盖但未被所述柔性电路板覆盖的表面区域。用所述柔顺层覆盖尤其可以如下文进一步描述的那样进行。
[0243]
优选地，用所述柔顺层覆盖所述多个气压传感器包括以下步骤：
[0244]-将带有所述柔性电路板的所述刚性芯放入模具中，
[0245]-用材料至少部分地填充模具，使得所述多个气压传感器被材料覆盖，
[0246]-将材料转化为所述柔顺层。
[0247]
这种用所述柔顺层覆盖的方法提供了一种简单且具有成本效益的制造。所述模具可特别限定测量面的最终形状，特别是使得所述柔顺层的所述测量面获得由所述模具的形状限定的形状。
[0248]
所述模具可以部分填充材料，也可以完全填充。这取决于所述柔顺层应覆盖所述刚性芯或安装在所述刚性芯上的所述柔性电路板的哪一部分。特别地，所述模具可以用材料填充到至少使得所述柔性电路板被材料完全覆盖的量。
[0249]
将所述材料转化为所述柔顺层意味着可以使用易于处理的材料，例如因为它是一种可以轻松填充到模具中的流体。
[0250]
转化例如可包括以下步骤：
[0251]-通过将由材料覆盖的所述刚性芯和所述柔性电路板放置在真空中来使材料脱气。
[0252]
因此，可以使用例如在其未脱气状态下为流体但在其脱气状态下为柔顺层的材料。
[0253]
脱气尤其可以在室温下进行或开始，例如在15℃和25℃之间的温度范围内。在真空状态期间，与这些值相比，温度可能会升高。
[0254]
然而，应当注意的是，也可以使用其他技术来形成柔顺层。
[0255]
提供所述柔性电路板可以包括以下步骤中的一个或两个：
[0256]-从片材上切下至少一部分柔性电路板，
[0257]-在所述柔性电路板上布置和安装多个气压传感器。
[0258]
因此，制备具有所述多个气压传感器的所述柔性电路板可以成为所述方法的一部分。在替代实施例中，可以使用其上已经安装有多个气压传感器的柔性电路板。
[0259]
根据一个实施例，所述刚性芯是圆顶形的。当所述传感器布置是机器人的尖端或另一个操纵元件时，这尤其适用。然而，也可以使用其他形状。例如，所述传感器布置可以适用于为机器人设计足部传感器、小腿传感器、大腿传感器或乳房传感器。可以相应地调整所述刚性芯的形状。例如，它可以是平面、圆柱体的形状，也可以是任意形状。通常，形状的设计使得接触力可以同时激活所述多个气压传感器，从而可以定位力。
[0260]
所述刚性芯尤其可以具有多个小面。根据一个实施方式，每个气压传感器或气压传感器的至少一部分定位在多个小面中的至少一个小面上。因此，每个气压传感器的定向可以由它所在的相应小面的定向来定义。这并不排除可以将一个以上的气压传感器布置在相应的小面上。还可能存在所述刚性芯的表面的小面或其他部分没有安装气压传感器的情况。
[0261]
应该注意的是，虽然所述多个气压传感器放置在所述柔性电路板上，但所述柔性电路板通常适应所述刚性芯的小面的形状。因此，所述柔性电路板本身形成小面。
[0262]
特别是，所述小面可以有不同的方向，因此可以执行不同方向的力测量。
[0263]
所述柔顺层可以包括塑料材料或橡胶或由塑料材料或橡胶组成。所述塑料材料可以是热塑性塑料、弹性体、热塑性弹性体或热固性材料或类似材料。这些材料已被证明适用于典型应用；然而，也可以使用其他材料。特别是，它们可以用于上述所述柔顺层的制造过程。
[0264]
所述柔顺层尤其可以将施加在所述测量面上的力传递到至少一部分的气压传感器。特别地，它可以被配置成使得至少将一部分或大部分测量面的力传递给一个以上的气压传感器。这允许在使用电子力推断技术测量力时提高分辨率。
[0265]
所述多个气压传感器尤其可以通过所述柔性电路板上的导体路径连接。这些导体路径尤其可以是柔性的，以便在包裹所述柔性电路板时能自动适应所述刚性芯的表面。这样的导体路径允许所述多个气压传感器的可靠且容易的连接。
[0266]
所述柔性电路板尤其可以是星号形的。特别地，它可以包括连接在所述中心部分的多个臂或辐条。这尤其使圆顶形刚性芯上能够包裹所述柔性电路板，例如可以从附图中看出。
[0267]
气压传感器可以至少1毫米、至少2毫米、至少3毫米、至少4毫米或至少5毫米的距离布置。它们也可以至多1毫米、至多2毫米、至多3毫米、至多4毫米或至多5毫米的距离布置。所述距离可以是所述多个气压传感器的外围之间的距离。可以组合每两个不同的值以形成合适的间隔。
[0268]
特别地，所述传感器布置可以是机器人尖端和/或机器人的操纵元件。虽然这是优选的应用，但是应该注意所述传感器布置原则上也可以用于多个其他应用，尤其是当必须测量力时和/或当应该使用元件来操纵时。操纵尤其是指:例如可以与所述传感器布置相同的操纵元件可以抓住或捕捉待操纵的物品并且例如根据其位置或方向来操纵所述物品。这样做时，可以使用传感器布置来测量力。一般而言，可以说如本文所公开的传感器布置可以将气压感测技术与新颖的组装方法相结合。它可以进一步与机器学习技术相结合，例如本
文所公开的，以便创建具有高稳健性水平并且例如具有三维圆顶形状的高分辨率触觉传感器。
[0269]
特别是，所述刚性芯可以是3d打印的。这可能意味着提供所述刚性芯包括3d打印所述刚性芯的步骤。然而，也可以使用其他制造方法，例如钻孔或模制。
[0270]
例如，可以使用至少5个、至少10个、至少15个、至少19个、至少20个、至少25个、至少30个、至少35个或至少37个气压传感器。它们可以包裹在圆顶形的中央芯上。这种组件可以放置在模具中，并且由材料(例如聚氨酯)覆盖，以提供保护传感器的柔性外表面，同时还能够进行局部压力测量。
[0271]
机器学习技术可用于利用传感器数据来提供触觉交互的超分辨率感测。因此，所述多个气压传感器的作用就好像实际上有更多的传感器一样。机器学习算法可以通过首先结合有限元方法学习指垫的固有模型(intrinsic model)，然后使用迁移学习(transfer learning)将真实物理气压计与固有模型相关联来集成。可以预测力分布图(具有3个自由度dof和局部坐标系的节点力)作为触摸影响的表示，可以将其分类为不同的操作场景，例如握持、翻转检测、扭转等。
[0272]
所述方法能够在手指轮廓周围进行高分辨率感测，使所述系统非常适合在物体接触的位置无法预测或可能有很大差异的情况下应用。此外，用于所述传感器布置的硬件元件非常便宜，尤其是与现有技术中已知的其他传感器相比。
[0273]
根据优选实施例，根据本发明的传感器布置或根据本发明的制造方法还包括电子控制模块，其配置以执行用于传感器布置的力推断的方法。这可以在所述传感器布置中集成用于力推断的功能。所述电子控制模块例如可以定位在所述刚性芯中或刚性芯上，或者可以与所述刚性芯分开定位。
[0274]
特别地，所述控制模块可以配置以执行用于力推断的方法，以提供所述测量面的力图，所述力图包括多个力矢量。这样的力图可以提供有关施加力的相关信息，例如源自压在所述测量面上的压头或来自待操作的物体。
[0275]
控制模块可以特别地配置成执行如下文进一步描述的力推断方法和/或训练方法。
[0276]
根据典型的实施方式，所述力图可包括每平方毫米至少0.25个力矢量、每平方毫米至少0.5个力矢量、每平方毫米至少0.75个力矢量、每平方毫米至少1个力矢量、每平方毫米至少1.5个力矢量、或每平方毫米至少2个力矢量。
[0277]
根据典型的实施方式，所述力图可以包括每平方毫米最多0.25个力矢量、每平方毫米最多0.5个力矢量、每平方毫米最多0.75个力矢量、每平方毫米最多1个力矢量、每平方毫米最多1.5个力矢量、或每平方毫米最多2个力矢量。
[0278]
这些数值已被证明适用于典型的应用例。然而，也可以使用其他数值。
[0279]
根据典型的实施方式，所述力图可以包括至少500个、至少1000个或至少2000个力矢量。根据典型的实施方式，所述力图可以包括至多1000个、至多2000个、至多3000个或至多4000个力矢量。这样的数值特别被证明适用于所述传感器布置是机器人尖端的使用情况。然而，也可以使用其他数值。
[0280]
优选地，每个力矢量包括法向力分量、第一剪切力分量和第二剪切力分量。这不仅可以提供有关法向力的信息，还可以提供有关剪切力的信息，因此可以更好地调节机器人
尖端应用等。
[0281]
特别地，所述第一剪切力分量可以对应于第一剪切力，且所述第二剪切力分量可以对应于第二剪切力。所述第一剪切力尤其可以垂直于所述第二剪切力。特别地，剪切力分量可以彼此垂直。
[0282]
根据一个实施方式，控制模块可以配置以从所述多个气压传感器读取温度值，并且基于所述温度值提供所述传感器布置的温度信息或温度图。这可能会提供有关温度分布的其他信息，例如用于控制或监视应用。特别地，所述多个气压传感器可以具有可用于此目的的相应集成温度测量功能。
[0283]
在下文中，描述了进一步的发明方面。这样的方面可以组合、单独、或与本文公开的其他特征组合。它们也可以被视为单独的发明方面并且可以作为权利要求的主题。
附图说明
[0284]
根据附图的以下描述，进一步的方面和优点对于本领域技术人员来说将是显而易见的。这些显示：
[0285]
图1：传感器布置，
[0286]
图2：刚性芯，
[0287]
图3：柔性电路板，
[0288]
图4：带有柔性电路板的刚性芯，
[0289]
图5：模具的分解图，
[0290]
图6：组装好的模具，
[0291]
图7：具有由柔性电路板覆盖的刚性芯的模具的分解图，
[0292]
图8：模具和带有处于覆盖气压传感器状态的柔性电路板的刚性芯，
[0293]
图9：力推断(force inference)示意图，
[0294]
图10：有限元模型(finite element model)，
[0295]
图11：几个不同的压头，
[0296]
图12：进行力测试的布置，
[0297]
图13：传输网络训练过程的流程图，
[0298]
图14：重构网络训练过程的流程图，
[0299]
图15：前馈神经网络训练过程的流程图，以及
[0300]
图16：力图的图示。
具体实施方式
[0301]
图1示出了根据本发明实施例的传感器布置10。
[0302]
所述传感器布置10包括圆顶形的刚性芯100。所述刚性芯100部分地被柔性电路板300覆盖，所述柔性电路板300固定地安装在所述刚性芯100上。所述柔性电路板300被柔顺层200覆盖。
[0303]
多个气压传感器400应用在所述柔性电路板300上。它们从所述刚性芯100突出。所述柔顺层200提供可在其上施加力的测量面210。所述柔顺层200是柔性且有弹性的，使得施加在所述测量面210上的力导致所述测量面210的局部变形，其中所述柔顺层200将这些力
传递到至少一部分所述多个气压传感器400上。因此，可以使用所述多个气压传感器400来评估力或施加的力。
[0304]
所述柔性电路板300包括多个小面。这些小面对应于在所述刚性芯100上构造的小面，详细如图2所示。
[0305]
所述柔性电路板300具有中心部分305，在当前的实施例中，从中心部分延伸有六个臂。所述中心部分305可视为一个小面。所述臂全部如图3所示。在图1中，只有三个臂，即第一臂310、第二臂320和第三臂330是可见的并且由附图标记表示。
[0306]
每个臂分为三个小面，例如所述第一臂310分为第一小面311、第二小面312和第三小面313。其他臂相应地划分，其中所述柔性电路板300的小面321、322、323、331、332和333在图1中可见。
[0307]
在当前实施例中，每个小面都保持一个气压传感器400。而且，所述中心部分305保持一个气压传感器400。应当注意的是，其他配置也是可能的，例如小面上可以包括一个以上、或不包括气压传感器400。
[0308]
需要说明的是，所述气压传感器400在柔性电路板300上相互间隔设置。然而，使用下面描述的技术可以实现关于施加力的更精细的分辨率。
[0309]
图2单独显示了所述刚性芯100。所述刚性芯100总共包括六个表面区域，其中第一表面区域110、第二表面区域120和第三表面区域130是可见的并在图2中表示。每个表面区域110、120、130分为三个小面，其中，例如，所述第一表面区域110分为第一小面111、第二小面112和第三小面113。其他表面区域相应地划分，其中小面121、122、123、131、132和133在图2中可见。在所述刚性芯100的顶部，所述中心部分105连接所述表面区域。
[0310]
所述刚性芯100的小面限定了所述柔性电路板300的小面。详细而言，所述小面具有不同的朝向，而所述柔性电路板300适配于所述小面的各自朝向。
[0311]
在图2中，还清楚地示出了所述刚性芯100是圆顶形的，例如可以用于机器人的指尖。
[0312]
图3单独示出了安装有多个所述气压传感器400的所述柔性电路板300。如前所述，所述柔性电路板300具有六个臂310、320、330、340、350、360，它们在所述中心部分305处连接在一起。在当前的实施例中，共有19个气压传感器400安装在所述柔性电路板300上。在其他实施例中，可以使用更多或更少的气压传感器。
[0313]
应注意的是，图3中没有显示小面，因为这些小面不是所述柔性电路板300的固有特征。图1所示的柔性电路板300的小面是所述柔性电路板300安装在图2所示的所述刚性芯100上的结果。
[0314]
应注意的是，在每个臂310、320、330、340、350、360中提供了相应的孔315、325、335、345、355、365，其可用于例如在制造期间将所述柔性电路板300紧固到所述刚性芯100。
[0315]
图4显示了图3的所述柔性电路板300安装在图2的所述刚性芯100上。因此，由于所述柔性电路板300获得了所述刚性芯100的结构，所述柔性电路板300的小面已经形成。图4所示的布置还没有图1所示的所述柔顺层200。下面将结合附图说明所述柔顺层200及其测量面210是如何形成的。
[0316]
图5显示了模具500的分解图。所述模具500包括第一部件510和第二部件520。如图5所示，在部件510、520内部形成中空内部530，使得当组装部件510、520时，所述中空内部
neural network)ffnn，它可以看作是一个将气压传感器400映射到力图fm的神经网络，它分为两部分，如已示出并解释的那样。
[0328]
为了训练所述传输网络tn，可以使用方法t1。为了训练所述重构网络rn，可以使用方法t2。为了训练整个所述前馈神经网络ffnn，可以使用方法t3。这些方法在下文进一步描述。
[0329]
使用神经网络或人工智能作为概括，可以从气压传感器中提取比没有人工智能的直接力推断更多的信息。特别地，可以用比气压传感器400的间距大得多的分辨率来评估所施加的力。此外，还可以提取附加信息，例如剪切力和/或施加了多少压头及其位置。此类信息包含在基于压力值r计算的力图fm中。
[0330]
图10显示了所述传感器布置10的有限元模型10a。所述有限元模型10a用于关于图9描述的力推断的过程中。应当注意的是，在图10中示出了关于所述传感器布置10的结构细节，但是没有有限元计算的实施的具体细节，因为这样的有限元概念仰赖于已知技术。原则上，所述有限元模型10a是真实传感器布置10的电子表示，从而可以用所述有限元模型10a模拟所述传感器布置10的行为。
[0331]
所述传感器布置10的所有部件在所述有限元模型10a中具有对应的部件，其中所述有限元模型10a中的部件由字母“a”表示。所述传感器布置10和所述有限元模型10a之间的结构差异在于所述有限元模型10a的所述虚拟传感器400a代替所述传感器布置10的所述气压传感器400。每个虚拟传感器400a包括一个或多个传感器点410a，其中示出了其中每个虚拟传感器400a包括12个虚拟传感器点410a的实施方式。每个虚拟传感器点410a都具有相应的虚拟传感器点值s，如已针对图9所讨论的。然而，也可以在每个虚拟传感器400a使用其他数量的虚拟传感器点410a。
[0332]
因此，施加在所述有限元模型10a的模拟测量面210a上的模拟力605a通过所述柔顺层200的有限元(即，模拟柔顺层200a)表示传递到所述虚拟传感器400a及其虚拟传感器点410a。这样的传递力产生相应的虚拟传感器点值s。这可以用于执行模拟，为每个施加的模拟力605a或模拟力605a的组合给出相应的虚拟传感器点值s。
[0333]
可以由模拟压头600a施加这种模拟力605a，其中图10中示出两个这种模拟压头600a作为示例。利用这些模拟压头600a，可以在模拟测量面210a上施加模拟力，并且可以通过标准有限元模型方法计算虚拟传感器点值s。
[0334]
从此类模拟中获取的数据可用于训练所述重构网络rn，其中通常使用多个此类模拟进行训练，例如1,000次模拟或大约10,000次模拟，并且这些模拟通常使用不同类型的模拟压头600a进行，特别是具有不同的形状和/或尺寸，并且具有不同数量的模拟压头600a，例如具有一个压头600a、两个压头600a和/或三个压头600a。这种模拟可以通过纯计算机模拟来执行，不需要任何处理起来很复杂的实验装置。这允许对所述重构网络rn进行非常有效和可靠的训练，因此即使实验能力有限，它也能获得更多重构力图fm的能力。
[0335]
图11示意性地示出了4个不同压头600的形状，它们可以是用于实验装置的物理压头600，如下面关于图12进一步描述的，或者可以是模拟压头600a。
[0336]
图11a显示了与测量面210的接触部分具有平坦形状的压头600。图11b显示了具有尖端形接触部分的压头600。图11c显示了具有形状像半球的接触部分的压头600。图11d显示了具有与图11c中所示的压头600相同类型但具有较小尺寸的接触部分的压头600。使用
这种不同的压头600可以针对这种不同的形状优化神经网络的训练，这意味着相对于重构由具有不同压头形状的压头600施加的力，用这种不同的压头600训练的神经网络的能力得到提高。换句话说，在应用具有扁平形状的压头600之后重构的力图fm将不同于在应用具有半球形的压头600之后重构的力图fm。
[0337]
图12显示了用于进行力测试的实验装置700。所述实验装置700包括底部710，第一机械臂720安装在底部710上。在所述第一机械臂720定位关节730。第二机械臂740固定到所述关节730。所述关节730可用于主动地移动所述第二机械臂740，其中未示出的电驱动用于这种移动。
[0338]
在所述第二机械臂740的另一端，定位有如前所述的传感器布置10。这在这里仅示意性地示出，其中所述传感器布置10的外表面是已经描述的测量面210。
[0339]
所述实验装置700还包括顶部750，在所述顶部750的位置安装力传感器610。在所述力传感器610处安装了压头600。现可使用关节730以将所述传感器布置10压在所述压头600上，其中在这样的力测试期间，从气压传感器400读取压力值r，并且用所述力传感器610测量由所述压头600施加到所述测量面210的力605。所述力传感器610测量三维力，从而测量法向力分量和剪切力分量。所述三维力可以在全局坐标系中表示，或者可以用垂直于所述测量面210上的点的法向分量和通常垂直于法向分量并且通常彼此垂直的两个剪切力分量来表示。如果组件在另一个坐标系中已知，则可以使用坐标变换来计算坐标系中的组件。
[0340]
所述压头600接触测量面210的位置由相机620观察。这允许通过图像识别计算所述位置在测量面210上的坐标。作为替代方案，例如可以使用机器参数来计算这样的位置。
[0341]
所述压头600是固定的，所述传感器布置10在所述实验装置700中移动，允许使用已知(例如来自3d打印机)的关节装置。然而，应当注意的是，力测试可以替代地以不同方式执行，例如通过移动带有固定的传感器布置10的压头600，或者通过移动传感器布置10和压头600。
[0342]
来自此类力测试的数据可用于训练图9中所示的神经网络，这将在下面进一步描述。
[0343]
图13示出了用于训练传输网络tn的方法t1的示意图。
[0344]
在第一步骤t1_1中，如关于图12所描述的那样执行多个力测试。对于这样的力测试，优选地使用具有不同形状和/或尺寸的不同压头600，其中在所描述的实施方式中的每个力测试中仅使用一个压头600。
[0345]
在步骤t1_2中，利用所述有限元模型10a进行多次模拟，其中每次力测试进行一次模拟，其中在力测试中力传感器610测量力605被用于相应的模拟以应用模拟力605a。模拟测量面210a上的位置与力测试中测量面210上的位置相同，其中这样的位置可以例如从机器参数计算或者可以从图像识别中导出，正如已经参考图12描述的那样。模拟压头600a的形状与实际压头600的形状相同。在每个力测试中，虚拟传感器点值s是基于施加的模拟力605a通过标准有限元模拟来计算的。
[0346]
在步骤t1_3中，所述传输网络tn用通过力测试和模拟获取的数据进行训练，其中尤其是使用来自力测试的气压传感器400的压力值r和来自于相应模拟的计算的虚拟传感器点值s来训练。
[0347]
图14显示了用于训练所述重构网络rn的方法t2。
[0348]
在第一步骤t2_1中，使用有限元模型10a进行多次模拟，其中优选地使用多个不同数量的压头，并且其中进一步优选地使用多个不同的压头形状和压头尺寸。在每次模拟中，在模拟测量面210a上计算模拟力图fma，并计算对应的虚拟传感器点值s。
[0349]
使用此类模拟力图fma和虚拟传感器点值s，在步骤t2_2中训练所述传输网络tn，以便它可以从模拟传感器点值s中重构力图。
[0350]
图15显示了用于训练整个前馈神经网络ffnn的方法t3。
[0351]
在第一步骤t3_1中，进行多个力测试，如关于图12所解释的。这些力测试传递施加的力605(如由所述力传感器610测量的)、相应的位置以及气压传感器400的测量压力值r。
[0352]
在第二步骤t3_2中，用所述传感器布置10的所述有限元模型10a进行多个相应的模拟，其中每个模拟包括在有限元模型10的模拟测量面210a上施加模拟力605a，其位置与测量面210上的实际位置相同，并且模拟压头600a具有与真实压头600相同的压头形状。由此，在模拟测量面210a上计算出模拟力图fma。
[0353]
在进一步的步骤t3_3中，力测试的测量压力值r和源自模拟的相应模拟力图fma被用于训练整个前馈神经网络(ffnn)，其中在所示的实现中，所述传输网络tn和所述重构网络rn都经过训练。
[0354]
应当注意的是，在仅使用一个神经网络的情况下，也可以使用关于图15描述的流程，即没有执行所述传输网络tn和所述重构网络rn的分割。在图9所示的实行情况下，除了关于图13和14描述的方法之外，还可以通过执行关于图15描述的方法来优化所述传输网络tn和所述重构网络rn。
[0355]
图16示出了具有力图fm的示意图的所述传感器布置10。所述力图fm包括多个力矢量f，其位于测量面210周围。虽然图16中显示了两个力矢量f，但在典型的实施中可以使用更多的力矢量f。例如，在示例性实施方式中可以使用每平方毫米1个力矢量f。
[0356]
每个力矢量f具有法向力分量fn、第一剪切力分量f
s1
和第二剪切力分量f
s2
。所述法向力分量fn给出施加力的法向力分量值，即垂直于测量面210的局部取向(local orientation)的分量。所述剪切力分量f
s1
、f
s2
给出了在相应点处施加在测量面210上的剪切力值。剪切力通常平行于测量面210的局部取向并且通常相互垂直并垂直于法向力。这可能特别涉及测量面的非变形取向(non-deformed orientation)，其可以定义力矢量f的取向，尤其是其法向分量的取向。
[0357]
因此，每个力矢量f给出施加在测量面210上的特定点上的力的强度和方向。这样的力可以例如源自压头600。
[0358]
应当注意的是，也可以使用力矢量f的其他定义，例如，可以仅评估法向力分量或者剪切力可以具有替代定义。
[0359]
在模拟力图fma的情况下，模拟测量面210a上的这种模拟力图fma的模拟力矢量fa可以具有相应的模拟分量，例如法向力分量fna、第一剪切力分量f
s1
a和第二剪切力分量f
s2
a。这种模拟的力图fma是在针对图10所描述的有限元模型上执行的模拟中特别计算的。
[0360]
可以按照给定的顺序执行本发明方法的上述步骤。但是，它们也可以按其他顺序执行，只要这在技术上是合理的。在一个实施例中，本发明的方法可以例如通过特定的步骤组合以不执行进一步的步骤的方式执行。然而，也可以执行其他步骤，包括未提及的步骤。
[0361]
要注意的是，可以在权利要求和说明书中组合描述特征，例如为了提供更好的理
解性，尽管事实上这些特征可以彼此独立地使用或实现。本领域技术人员将注意到，此类特征可以与其他特征组合或彼此独立的特征组合。
[0362]
从属权利要求中的引用可以指示各个特征的优选组合，但不排除其他特征组合。
[0363]
参考符号列表:
[0364]
10:传感器布置
[0365]
100:刚性芯
[0366]
105:中心部分
[0367]
110:第一表面区域
[0368]
111:小面
[0369]
112:小面
[0370]
113:小面
[0371]
120:第二表面区域
[0372]
121:小面
[0373]
122:小面
[0374]
123:小面
[0375]
130:第三表面区域
[0376]
131:小面
[0377]
132:小面
[0378]
133:小面
[0379]
200:柔顺层
[0380]
210:测量面
[0381]
300:柔性电路板
[0382]
305:中心部分
[0383]
310:第一臂
[0384]
311:小面
[0385]
312:小面
[0386]
313:小面
[0387]
315:孔
[0388]
320:第二臂
[0389]
321:小面
[0390]
322:小面
[0391]
323:小面
[0392]
325:孔
[0393]
330:第三臂
[0394]
331:小面
[0395]
332:小面
[0396]
333:小面
[0397]
335:孔
[0398]
340:第四臂
[0399]
345:孔
[0400]
350:第五臂
[0401]
355:孔
[0402]
360:第六臂
[0403]
365:孔
[0404]
400:气压传感器
[0405]
500:模具
[0406]
510:第一部件
[0407]
520:第二部件
[0408]
530:中空内部
[0409]
540:顶部
[0410]
600:压头
[0411]
605:力
[0412]
610:力传感器
[0413]
620:相机
[0414]
700:实验装置
[0415]
710:底部
[0416]
720:第一机械臂
[0417]
730:关节
[0418]
740:第二机械臂
[0419]
750:顶部
[0420]
10a:有限元模型
[0421]
210a:模拟测量面
[0422]
400a:虚拟传感器
[0423]
410a:虚拟感应点
[0424]
600a:模拟压头
[0425]
605a:模拟力
[0426]
其他带字母a的附图标记:有限元模型10a的组成部分tn:传输网络
[0427]
rn:重构网络
[0428]
ffnn:前馈神经网络
[0429]
t1:训练传输网络的方法
[0430]
t2:训练重构网络的方法
[0431]
t3:训练前馈神经网络的方法
[0432]
r:压力值
[0433]
s:虚拟传感器点值
[0434]
fm:力图
[0435]
f:力矢量
[0436]
fma:模拟力图
[0437]
fa:模拟力矢量
[0438]fn
:(力矢量的)法向力分量
[0439]fs1
:(力矢量的)第一剪切力分量
[0440]fs2
:(力矢量的)第二个剪切力分量
[0441]fn
a:(模拟力矢量的)法向力分量
[0442]fs1
a:(模拟力矢量的)第一剪切力分量
[0443]fs2
a:(模拟力矢量的)第二个剪切力分量

技术特征：
1.一种用于感测力的传感器布置(10)的力推断的方法，所述传感器布置(10)包括多个气压传感器(400)和覆盖所述多个气压传感器(400)并提供测量面(210)的柔顺层(200)，其特征在于:用于力推断的方法包括以下步骤：从所述多个气压传感器(400)读取多个压力值(r)，以及使用前馈神经网络(ffnn)基于所述多个压力值(r)计算所述测量面(210)上的力图(fm)，所述力图(fm)包括多个力矢量(f)。2.根据权利要求1所述的方法，其特征在于:所述前馈神经网络(ffnn)包括传输网络(tn)和重构网络(rn)，所述传输网络(tn)将所述多个气压传感器(400)映射到所述传感器布置(10)的有限元模型(10a)的多个虚拟传感器(400a)，所述重构网络(rn)将所述有限元模型(10a)的所述多个虚拟传感器(400a)映射到所述力图(fm)，每个虚拟传感器(400a)包括一个或多个虚拟传感器点(410a)，每个虚拟传感器点具有虚拟传感器点值(s)。3.根据权利要求2所述的方法，其特征在于:其中所述重构网络(rn)在力推断之前通过以下步骤进行训练：在所述有限元模型(10a)中进行多个模拟(t2_1)，每个模拟包括在所述有限元模型(10a)的模拟测量面(210a)上同时施加一个或多个模拟力(605a)，从而在所述模拟测量面(210a)上计算模拟力图(fma)，所述模拟力图(fma)包括多个模拟力矢量(fa)，并利用所述有限元模型(10a)计算对应的虚拟传感器点值(s)，以及使用计算出的所述模拟力图(fma)和相应的计算出的虚拟传感器点值(s)训练(t2_2)所述重构网络(rn)。4.根据权利要求3所述的方法，其特征在于:施加在所述模拟测量面(210a)上的模拟力(605a)是基于具有模拟压头形状的各个模拟压头(600a)生成。5.根据权利要求4所述的方法，其特征在于:模拟压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。6.根据权利要求3至5中任一项所述的方法，其特征在于:使用多个不同形状的模拟压头训练所述重构网络(rn)。7.根据权利要求3至6中任一项所述的方法，其特征在于:使用多种尺寸的模拟压头(600a)训练所述重构网络(rn)。8.根据权利要求3至7任一项所述的方法，其特征在于:使用至少一部分模拟训练所述重构网络(rn)，模拟包括同时施加基于两个或更多个模拟压头(600a)生成的模拟力(605a)。9.根据权利要求3至8中任一项所述的方法，其特征在于:使用至少一部分模拟训练所述重构网络(rn)，模拟包括施加仅基于一个模拟压头(600a)所生成的模拟力(605a)。10.根据权利要求3至9中任一项所述的方法，其特征在于:每个模拟力矢量(fa)包括法向力分量(f
n
a)、第一剪切力分量(f
s1
a)和第二剪切力分量(f
s2
a)。11.根据权利要求10所述的方法，其特征在于:在模拟的力矢量(fa)中，所述第一剪切力分量(f
s1
a)对应于第一剪切力，并且所述第二
剪切力分量(f
s2
a)对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。12.根据权利要求3至11中任一项所述的方法，其特征在于:使用具有不同剪切力分量的多个模拟力(605a)来训练所述重构网络(rn)。13.根据权利要求3至12中任一项所述的方法，其特征在于:使用具有不同法向力分量的多个模拟力(605a)来训练所述重构网络(rn)。14.根据权利要求2至13中任一项所述的方法，其特征在于:所述传输网络(tn)在力推断之前通过以下步骤进行训练：在所述传感器布置(10)上执行多个力测试(t1_1)，每个力测试包括通过一个压头(600)在传感器布置(10)的测量面(210)上的位置上施加力，同时测量由压头(600)施加的力(605)并且同时用所述多个气压传感器(400)测量压力值(r)，对于每个力测试，使用有限元模型(10a)执行相应的模拟(t1_2)，每个模拟包括在所述有限元模型(10a)的模拟测量面(210a)上施加模拟力(605a)，从而计算模拟测量面(210a)上的模拟力图(fma)，所述模拟力图(fma)包括多个模拟力矢量(fa)，所述模拟力(605a)对应所述测量力(605)并且被施加在所述模拟测量面(210a)上与所述测量面(210)上的位置相对应的位置上，利用所述有限元模型(10a)计算对应的虚拟传感器点值(s)，以及用测得的压力值(r)和相应的计算虚拟传感器点值(s)训练(t1_3)所述传输网络(tn)。15.根据权利要求14所述的方法，其特征在于:用于训练所述传输网络(tn)的力测试是用多个压头(600)执行的，每个压头具有各自的压头形状。16.根据权利要求15所述的方法，其特征在于:压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。17.根据权利要求15或16所述的方法，其特征在于:模拟是用基于模拟压头(600a)的模拟力(605a)执行的，其中相应的模拟压头形状对应于在相应的力测试中使用的真实压头形状。18.根据权利要求14至17中任一项所述的方法，其特征在于:使用多种不同形状的压头训练所述传输网络(tn)。19.根据权利要求14至18中任一项所述的方法，其特征在于:使用具有不同尺寸的多个压头(600)训练所述传输网络(tn)。20.根据权利要求14至19中任一项所述的方法，其特征在于:用压头(600)训练所述传输网络(tn)，至少对于用于训练所述传输网络(tn)的力测试的一部分，施加相应的剪切力。21.根据权利要求14至20中任一项所述的方法，其特征在于:测量力(605)各自包括法向力分量、第一剪切力分量和第二剪切力分量。22.根据权利要求21所述的方法，其特征在于:其中，在测量力(605)中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且其中所述第一剪切力垂直于所述第二剪切力。23.根据权利要求21或22所述的方法，其特征在于:使用具有不同剪切力分量的多个力(605)训练传输网络(tn)。24.根据权利要求21至23中任一项所述的方法，其特征在于:使用具有不同法向力分量
的多个力(605)训练传输网络(tn)。25.根据权利要求14至24中任一项所述的方法，其特征在于:使用在压头(600)中或定位在压头(600)附近的力传感器(610)来测量压头(600)所施加的力(605)。26.根据权利要求14至25中任一项所述的方法，其特征在于:每个模拟力矢量(fa)包括法向力分量(f
n
a)、第一剪切力分量(f
s1
a)和第二剪切力分量(f
s2
a)。27.根据权利要求1所述的方法，其特征在于:所述前馈神经网络(ffnn)直接将所述多个气压传感器(400)映射到所述力图(fm)。28.根据前述权利要求中任一项所述的方法，其特征在于:所述前馈神经网络(ffnn)在力推断之前通过以下步骤进行训练：在所述传感器布置(10)上执行(t3_1)多个力测试，每个力测试包括通过一个压头(600)在所述传感器布置(10)的所述测量面(210)上的位置上施加力(605)，同时测量所述压头(600)施加的力(605)并且所述多个气压传感器(400)同时测量压力值(r)，对于每个力测试，使用所述传感器布置(10)的有限元模型(10a)执行(t3_2)相应的模拟，每个模拟包括在所述有限元模型(10a)的模拟测量面(210a)上施加模拟力(605a)，从而计算所述模拟测量面(210a)上的模拟力图(fma)，所述模拟力图(fma)包括多个模拟力矢量(fa)，所述模拟力(605a)对应所述测量力(605)，并且被施加在所述模拟测量面(210a)上与所述测量面(210)上的位置相对应的位置上，以及使用测得的压力值(r)和相应的计算模拟力图(fma)训练(t3_3)所述前馈神经网络(ffnn)。29.根据权利要求28所述的方法，其特征在于:用于训练所述前馈神经网络(ffnn)的力测试是用多个压头(600)执行的，每个压头具有各自的压头形状。30.根据权利要求29所述的方法，其特征在于:压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。31.根据权利要求29或30所述的方法，其特征在于:模拟是用基于模拟压头(600a)的模拟力(605a)执行的，其中相应的模拟压头形状对应于在相应的力测试中所使用的真实压头形状。32.根据权利要求28至31中任一项所述的方法，其特征在于:所述前馈神经网络(ffnn)是使用多种不同形状的压头进行训练。33.根据权利要求28至32中任一项所述的方法，其特征在于:所述前馈神经网络(ffnn)是使用多个不同尺寸的压头(600)进行训练。34.根据权利要求28至33中任一项所述的方法，其特征在于:用多个压头(600)训练所述前馈神经网络(ffnn)，至少对于用于训练前馈神经网络(ffnn)的力测试的一部分，施加相应的剪切力。35.根据权利要求28至34中任一项所述的方法，其特征在于:测量力(605)各自包括法向力分量、第一剪切力分量和第二剪切力分量。36.根据权利要求35所述的方法，其特征在于:在测量力(605)中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。
37.根据权利要求35或36中任一项所述的方法，其特征在于:所述前馈神经网络(ffnn)是使用具有不同剪切力分量的多个力(605)进行训练。38.根据权利要求35至37中任一项所述的方法，其特征在于:所述前馈神经网络(ffnn)是使用具有不同法向力分量的多个力(605)进行训练。39.根据权利要求28至38中任一项所述的方法，其特征在于:使用压头(600)中的或定位在压头(600)附近的力传感器(610)来测量力(605)。40.根据权利要求28至39中任一项所述的方法，其特征在于:每个模拟力矢量(fa)包括法向力分量(f
n
)、第一剪切力分量(f
s1
a)和第二剪切力分量(f
s2
a)。41.根据前述权利要求中任一项所述的方法，其特征在于:基于计算的力图(fm)的压力值(r)是同时读出或在预定时间段期间读出。42.根据前述权利要求中任一项所述的方法，其特征在于:所述力图(fm)包括每平方毫米至少0.25个力矢量(f)、每平方毫米至少0.5个力矢量(f)、每平方毫米至少0.75个力矢量(f)、每平方毫米至少1个力矢量(f)、每平方毫米至少1.5个力矢量(f)、或每平方毫米至少2个力矢量(f)，和/或所述力图(fm)包括每平方毫米至多0.25个力矢量(f)、每平方毫米至多0.5个力矢量(f)、每平方毫米至多0.75个力矢量(f)、每平方毫米至多1个力矢量(f)、每平方毫米至多1.5个力矢量(f)、或每平方毫米至多2个力矢量(f)。43.根据前述权利要求中任一项所述的方法，其特征在于:每个力矢量(f)包括法向力分量(f
n
)、第一剪切力分量(f
s1
)和第二剪切力分量(f
s2
)。44.根据权利要求43所述的方法，其特征在于:所述第一剪切力分量(f
s1
)对应于第一剪切力，并且所述第二剪切力分量(f
s2
)对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。45.根据前述权利要求中任一项所述的方法，其特征在于:所述方法进一步包括从所述多个气压传感器(400)读出温度值并基于温度值提供所述传感器布置(10)的温度信息或温度图。46.一种训练重构网络(rn)的方法(t2)，其特征在于:重构网络(rn)将传感器布置(10)的有限元模型(10a)的多个虚拟传感器(400a)映射到力图(fm)，所述传感器布置(10)包括多个气压传感器(400)、及覆盖所述多个气压传感器(400)并提供测量面(210)的柔顺层(200)，所述力图(fm)包括多个力矢量(f)，每个虚拟传感器(400a)包括一个或多个虚拟传感器点(410a)，每个虚拟传感器点具有虚拟传感器点值(s)，所述重构网络(rn)通过以下步骤进行训练：在所述有限元模型(10a)中执行(t2_1)多个模拟，每个模拟包括在所述有限元模型(10a)的模拟测量面(210a)上同时施加一个或多个模拟力(605a)，从而在所述模拟测量面(210a)上计算模拟力图(fma)，所述模拟力图(fma)包括多个模拟力矢量(fa)，并利用所述有限元模型(10a)计算对应的虚拟传感器点值(s)，以及使用计算出的模拟力图(fma)和相应的计算出的虚拟传感器点值(s)训练(t2_2)所述
重构网络(rn)。47.根据权利要求46所述的方法，其特征在于:施加在所述模拟测量面(210a)上的模拟力(605a)是基于具有多个模拟压头形状的各个模拟压头(600a)来生成。48.根据权利要求47所述的方法，其特征在于:模拟压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。49.根据权利要求46至48中任一项所述的方法，其特征在于:使用多个不同形状的模拟压头来训练所述重构网络(rn)。50.根据权利要求46至49中任一项所述的方法，其特征在于:使用多种尺寸的模拟压头(600a)训练所述重构网络(rn)。51.根据权利要求46至50中任一项所述的方法，其特征在于:使用至少一部分模拟来训练所述重构网络(rn)，模拟包括同时施加基于两个或更多模拟压头(600a)所生成的模拟力(605a)。52.根据权利要求46至51中任一项所述的方法，其特征在于:使用至少一部分模拟来训练所述重构网络(rn)，模拟包括施加仅基于一个模拟压头(600a)所生成的模拟力(605a)。53.根据权利要求46至52中任一项所述的方法，其特征在于:每个模拟力矢量(fa)包括法向力分量(f
n
a)、第一剪切力分量(f
s1
a)和第二剪切力分量(f
s2
a)。54.根据权利要求53所述的方法，其特征在于:在模拟的力矢量(fa)中，所述第一剪切力分量(f
s1
a)对应于第一剪切力，并且所述第二剪切力分量(f
s2
a)对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。55.根据权利要求46至54中任一项所述的方法，其特征在于:使用具有不同剪切力分量的多个模拟力(605a)来训练所述重构网络(rn)。56.根据权利要求46至55中任一项所述的方法，其特征在于:使用具有不同法向力分量的多个模拟力(605a)来训练所述重构网络(rn)。57.根据权利要求46至56中任一项所述的方法，其特征在于:所述重构网络(rn)是在根据权利要求2或从属于权利要求2的权利要求的方法中使用。58.根据权利要求46至57中任一项所述的方法，其特征在于:所述力图(fm)包括每平方毫米至少0.25个力矢量(f)、每平方毫米至少0.5个力矢量(f)、每平方毫米至少0.75个力矢量(f)、每平方毫米至少1个力矢量(f)、每平方毫米至少1.5个力矢量(f)、或每平方毫米至少2个力矢量(f)，和/或所述力图(fm)包括每平方毫米至多0.25个力矢量(f)、每平方毫米至多0.5个力矢量(f)、每平方毫米至多0.75个力矢量(f)、每平方毫米至多1个力矢量(f)、每平方毫米至多1.5个力矢量(f)、或每平方毫米至多2个力矢量(f)。59.根据权利要求46至58中任一项所述的方法，其特征在于:每个力矢量(f)包括法向力分量(f
n
)、第一剪切力分量(f
s1
)和第二剪切力分量(f
s2
)。60.根据权利要求59所述的方法，其特征在于:所述第一剪切力分量(f
s1
)对应于第一剪切力，并且所述第二剪切力分量(f
s2
)对应于第二剪切力，并且
所述第一剪切力垂直于所述第二剪切力。61.一种训练传输网络(tn)的方法(t1)，其特征在于:传输网络(tn)将所述传感器布置(10)的多个气压传感器(400)映射到所述传感器布置(10)的有限元模型(10a)的多个虚拟传感器(400a)，所述传感器布置(10)包括多个气压传感器(400)、及覆盖所述多个气压传感器(400)并提供测量面(210)的柔顺层(200)，每个虚拟传感器(400a)包括一个或多个虚拟传感器点(410a)，每个虚拟传感器点具有虚拟传感器点值(s)，所述传输网络(tn)通过以下步骤进行训练：在所述传感器布置(10)上执行(t1_1)多个力测试，每个力测试包括通过一个压头(600)在所述传感器布置(10)的所述测量面(210)上的位置上施加力(605)、同时测量压头(600)施加的力(605)且所述多个气压传感器(400)同时测量压力值(r)，对于每个力测试，使用所述有限元模型(10a)执行(t1_2)相应的模拟，每个模拟包括在所述有限元模型(10a)的模拟测量面(210a)上施加模拟力(605a)，从而计算所述模拟测量面(210a)上的模拟力图(fma)，所述模拟力图(fma)包括多个模拟力矢量(fa)，模拟力(605a)对应于测量力(605)并且被施加在所述模拟测量面(210a)上与所述测量面(210)上的位置对应的位置上，利用所述有限元模型(10a)计算对应的虚拟传感器点值(s)，以及用测得的压力值(r)和相应的计算虚拟传感器点值(s)来训练(t1_3)所述传输网络(tn)。62.根据权利要求61所述的方法，其特征在于:用于训练所述传输网络(tn)的力测试是用多个压头(600)执行的，每个压头具有各自的压头形状。63.根据权利要求62所述的方法，其特征在于:压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。64.根据权利要求62或63所述的方法，其特征在于:模拟是用基于模拟压头(600a)的模拟力(605a)执行的，其中相应的模拟压头形状对应于在相应的力测试中使用的真实压头形状。65.根据权利要求61至64中任一项所述的方法，其特征在于:使用多个不同形状的压头来训练所述传输网络(tn)。66.根据权利要求61至65中任一项所述的方法，其特征在于:使用具有不同尺寸的多个压头(600)来训练所述传输网络(tn)。67.根据权利要求61至66中任一项所述的方法，其特征在于:用压头(600)训练所述传输网络(tn)，至少对于用于训练所述传输网络(tn)的力测试的一部分，施加相应的剪切力。68.根据权利要求61至67中任一项所述的方法，其特征在于:测量力(605)各自包括法向力分量、第一剪切力分量和第二剪切力分量。69.根据权利要求68所述的方法，其特征在于:在测量力(605)中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。70.根据权利要求68或69所述的方法，其特征在于:使用具有不同剪切力分量的多个力(605)来训练所述传输网络(tn)。
71.根据权利要求68至70中任一项所述的方法，其特征在于:使用具有不同法向力分量的多个力(605)来训练所述传输网络(tn)。72.根据权利要求61至71中任一项所述的方法，其特征在于:使用压头(600)中或定位在压头(600)附近的力传感器(610)测量压头(600)所施加的力(605)。73.根据权利要求61至72中任一项所述的方法，其特征在于:每个模拟力矢量(fa)包括法向力分量(f
n
)、第一剪切力分量(f
s1
)和第二剪切力分量(f
s2
)。74.根据权利要求61至73中任一项所述的方法，其特征在于:所述传输网络(tn)是在根据权利要求2或从属于权利要求2的权利要求的方法中使用。75.一种训练前馈神经网络(ffnn)的方法(t3)，其特征在于:前馈神经网络(ffnn)基于气压传感器(400)的压力值(r)计算传感器布置(10)的测量面(210)上的力图(fm)，所述传感器布置(10)包括多个气压传感器(400)和覆盖所述多个气压传感器(400)并提供测量面(210)的柔顺层(200)，所述力图(fm)包括多个力矢量(f)，所述前馈神经网络(ffnn)通过以下步骤进行训练：在所述传感器布置(10)上执行(t3_1)多个力测试，每个力测试包括通过一个压头(600)在所述传感器布置(10)的所述测量面(210)上的位置上施加力(605)、同时测量压头(600)施加的力(605)并且所述多个气压传感器(400)同时测量压力值(r)，对于每个力测试，使用所述传感器布置(10)的有限元模型(10a)执行(t3_2)相应的模拟，每个模拟包括在有限元模型(10a)的模拟测量面(210a)上施加模拟力(605a)，从而计算所述模拟测量面(210a)上的模拟力图(fma)，所述模拟力图(fma)包括多个模拟力矢量(fa)，所述模拟力(605a)对应于所述测量力(605)并且被施加在所述模拟测量面(210a)上与所述测量面(210)上的位置相对应的位置上，以及使用测得的压力值(r)和相应的计算模拟力图(fma)训练(t3_3)所述前馈神经网络(ffnn)。76.根据权利要求75所述的方法，其特征在于:使用多个压头(600)执行用于训练所述前馈神经网络(ffnn)的力测试，每个压头具有各自的压头形状。77.根据权利要求76所述的方法，其特征在于:压头形状是选自由至少包括尖端、圆形、三角形横截面、方形横截面、半球形、立方体和圆柱形所组成的群组。78.根据权利要求76或77所述的方法，其特征在于:模拟是用基于模拟压头(600a)的模拟力(605a)执行的，其中相应的模拟压头形状对应于在相应的力测试中使用的真实压头形状。79.根据权利要求75至78中任一项所述的方法，其特征在于:使用多个不同形状的压头训练所述前馈神经网络(ffnn)。80.根据权利要求75至79中任一项所述的方法，其特征在于:使用具有不同尺寸的多个压头(600)训练所述前馈神经网络(ffnn)。81.根据权利要求75至80中任一项所述的方法，其特征在于:用压头(600)训练所述前馈神经网络(ffnn)，至少对于用于训练前馈神经网络(ffnn)的力测试的一部分，施加相应的剪切力。82.根据权利要求75至81中任一项所述的方法，其特征在于:测量力(605)各自包括法向力分量、第一剪切力分量和第二剪切力分量。
83.根据权利要求82的方法，其特征在于:在测量力(605)中，所述第一剪切力分量对应于第一剪切力，并且所述第二剪切力分量对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。84.根据权利要求82或83所述的方法，其特征在于:使用具有不同剪切力分量的多个力(605)来训练所述前馈神经网络(ffnn)。85.根据权利要求82至84中任一项所述的方法，其特征在于:使用具有不同法向力分量的多个力(605)来训练所述前馈神经网络(ffnn)。86.根据权利要求75至85中任一项所述的方法，其特征在于:使用压头(600)中的或定位在压头(600)附近的力传感器(610)来测量力(605)。87.根据权利要求75至86中任一项所述的方法，其特征在于:每个模拟力矢量(fa)包括法向力分量(f
n
a)、第一剪切力分量(f
s1
a)和第二剪切力分量(f
s2
a)。88.根据权利要求87所述的方法，其特征在于:在模拟的力矢量(fa)中，所述第一剪切力分量(f
s1
a)对应于第一剪切力，并且所述第二剪切力分量(f
s2
a)对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。89.根据权利要求75至88中任一项所述的方法，其特征在于:所述前馈神经网络(ffnn)是在根据权利要求1或从属于权利要求1的权利要求的方法中使用。90.根据权利要求75至89中任一项所述的方法，其特征在于:所述力图(fm)包括每平方毫米至少0.25个力矢量(f)、每平方毫米至少0.5个力矢量(f)、每平方毫米至少0.75个力矢量(f、每平方毫米至少1个力矢量(f)、每平方毫米至少1.5个力矢量(f)、或每平方毫米至少2个力矢量(f)，和/或所述力图(fm)包括每平方毫米至多0.25个力矢量(f)、每平方毫米至多0.5个力矢量(f)、每平方毫米至多0.75个力矢量(f)、每平方毫米至多1个力矢量(f)、每平方毫米至多1.5个力矢量(f)、或每平方毫米至多2个力矢量(f)。91.根据权利要求75至90中任一项所述的方法，其特征在于:每个力矢量(f)包括法向力分量(f
n
)、第一剪切力分量(f
s1
)和第二剪切力分量(f
s2
)。92.根据权利要求91所述的方法，其特征在于:所述第一剪切力分量(f
s1
)对应于第一剪切力，并且所述第二剪切力分量(f
s2
)对应于第二剪切力，并且所述第一剪切力垂直于所述第二剪切力。93.根据前述权利要求中的任一项所述的方法，其特征在于:所述传感器布置(10)是用于感测力的传感器布置(10)，所述传感器布置(10)包含︰柔性电路板(300)，多个气压传感器(400)，安装在所述柔性电路板(300)上，刚性芯(100)，所述柔性电路板(300)包裹并安装到所述刚性芯(100)上，使得所述柔性电路板(300)至少部分覆盖所述刚性芯(100)，所述多个气压传感器(400)突出于所述刚性芯(100)，并且
柔顺层(200)，覆盖所述多个气压传感器(400)并提供测量面(210)。94.根据权利要求中93所述的方法，其特征在于:所述刚性芯(100)是圆顶形的。95.根据权利要求93或94所述的方法，其特征在于:所述刚性芯(100)具有多个小面，其中每个气压传感器(400)定位在所述多个小面之一者上。96.根据权利要求93至95中的任一项所述的方法，其特征在于:所述柔顺层(200)包括塑料材料或橡胶，或由塑料材料或橡胶组成。97.根据权利要求96所述的方法，其特征在于:所述塑料材料是热塑性塑料、弹性体、热塑性弹性体或热固性塑料。98.根据权利要求93至97中的任一项所述的方法，其特征在于:所述柔顺层(200)将施加在所述测量面(210)上的力传递到所述多个气压传感器(400)的至少一部分。99.根据权利要求93至98中的任一项所述的方法，其特征在于:所述多个气压传感器(400)通过所述柔性电路板(300)上的导体路径连接。100.根据权利要求93至99中的任一项所述的方法，其特征在于:所述柔性电路板(300)为星号形状。101.根据权利要求93至100中的任一项所述的方法，其特征在于:所述柔性电路板(300)包括连接在中心部分(305)处的多个臂(310、320、330、340、350、360)。102.根据权利要求93至101中的任一项所述的方法，其特征在于:所述多个气压传感器(400)以至少1毫米、至少2毫米、至少3毫米、至少4毫米或至少5毫米的距离布置和/或至多1毫米、至多2毫米、至多3毫米、至多4毫米或至多5毫米的距离布置。103.根据权利要求93至102中的任一项所述的方法，其特征在于:所述传感器布置(10)是机器人尖端和/或机器人的操纵元件。104.根据权利要求93至103中的任一项所述的方法，其特征在于:所述刚性芯(100)是3d打印部件。105.一种用于感测力的传感器布置(10)的力推断的力推断模块，其特征在于:所述力推断模块配置以执行根据前述权利要求中的一项所述的方法。106.一种用于感测力的传感器布置(10)，其特征在于:所述传感器布置(10)包括：柔性电路板(300)，多个气压传感器(400)安装在柔性电路板(300)上，刚性芯(100)，所述柔性电路板(300)包裹并安装在所述刚性芯(100)上，使得所述柔性电路板(300)至少部分覆盖所述刚性芯(100)，所述多个气压传感器(400)突出所述刚性芯(100)，柔顺层(200)，覆盖所述多个气压传感器(400)，并且提供测量面(210)，以及根据权利要求105所述的力推断模块。

技术总结
本发明涉及一种用于感测力的传感器布置的力推断方法，所述方法包括读取压力值和使用前馈神经网络计算力图的步骤。本发明还涉及用于训练神经网络的相应方法、力推断模块和传感器布置。器布置。器布置。


技术研发人员：亚当
受保护的技术使用者：马克斯
技术研发日：2020.11.24
技术公布日：2023/8/14