ABB 57520001-ER DSTC 190 连接单元

　　当任何物体接触传感器外壳时，传感器内部颜色图案的外观会发生变化。相机每秒记录多次图像，并将这些数据提供给深度神经网络。该算法甚至可以检测到每个像素中最小的光线变化。在几分之一秒内，经过训练的机器学习模型可以绘制出手指接触物体的确切位置，确定力的强度，并指示力的方向。该模型推断出科学家所说的力图：它为三维指尖中的每个点提供了一个力向量。

　　“我们通过外壳的创新机械设计、内部定制的成像系统、自动数据收集和的深度学习实现了这种出色的传感性能，”MPI-IS 的马克斯普朗克研究小组负责人 Georg Martius 说，他在那里他领导自主学习小组。“我们独特的软壳混合结构包裹着坚硬的骨架，确保了高灵敏度和坚固性。我们的相机甚至可以从一张图像中检测到表面最轻微的变形，”他的博士补充道。学生孙焕波。在测试传感器时，研究人员意识到它足够敏感，可以感觉到自己相对于重力的方向。

　　但是这样的传感器是如何学习的呢？Huanbo Sun 设计了一个测试平台来生成机器学习模型所需的训练数据，以了解原始图像像素的变化与所施加的力之间的相关性。测试台在其表面周围探测传感器，并记录真实的接触力矢量以及传感器内部的相机图像。以这种方式，产生了大约 200,000 个测量值。收集数据花了近三周时间，训练机器学习模型又花了一天时间。在如此多不同接触力的长期实验中幸存下来，有助于证明 Insight 机械设计的稳健性，并且用更大的探针进行的测试显示了传感系统的通用性。

　　拇指形传感器的另一个特点是它具有一个带有较薄弹性体层的指甲形区域。这种触觉中央凹旨在检测即使是微小的力和详细的物体形状。对于这个超敏感区域，科学家们选择了 1.2 毫米的弹性体厚度，而不是他们在手指传感器其余部分使用的 4 毫米。

　　以下是我司【主营产品】，有需要可以发来帮您对比下价格哦!

　　主营：世界品牌的PLC 、DCS 系统备件 模块

　　①Allen-Bradley(美国AB)系列产品》

　　②Schneider(施耐德电气)系列产品》

　　③General electric(通用电气)系列产品》

　　④Westinghouse(美国西屋)系列产品》

　　⑤SIEMENS(西门子系列产品)》

　　⑥销售ABB Robots. FANUC Robots、YASKAWA Robots、KUKA Robots、Mitsubishi Robots、OTC Robots、Panasonic Robots、MOTOMAN Robots。

　　⑦estinghouse(西屋)： OVATION系统、WDPF系统、MAX1000系统备件。

　　⑧Invensys Foxboro(福克斯波罗)：I/A Series系统，FBM(现场输入/输出模块)顺序控制、梯形逻辑控制、事故追忆处理、数模转换、输入/输出信号处理、数据通信及处理等。Invensys Triconex: 冗余容错控制系统、基于三重模件冗余(TMR)结构的现代化的容错控制器。

　　⑨Siemens(西门子)：Siemens MOORE， Siemens Simatic C1，Siemens数控系统等。

　　⑩Bosch Rexroth(博世力士乐)：Indramat，I/O模块,PLC控制器,驱动模块等。

　　◆Motorola(摩托)：MVME 162、MVME 167、MVME1772、MVME177等系列。

　　PLC模块，可编程控制器，CPU模块，IO模块，DO模块，AI模块，DI模块，网通信模块，

　　以太网模块，运动控制模块，模拟量输入模块，模拟量输出模块，数字输入模块，数字输出

　　模块，冗余模块，电源模块，继电器输出模块，继电器输入模块，处理器模块。

　　我们的优势是：全新原装，，供给一年质保!本公司所有产品都经过严格检测，欢迎询价，收购。只需您有诚心，本公司将会给你供给一个比同行优势的价格，共同拿下单子。

　　When any objects touch the sensor’s shell, the appearance of the color pattern inside the sensor changes. The camera records images many times per second and feeds a deep neural network with this data. The algorithm detects even the smallest change in light in each pixel. Within a fraction of a second, the trained machine-learning model can map out where exactly the finger is contacting an object, determine how strong the forces are, and indicate the force direction. The model infers what scientists call a force map: it provides a force vector for every point in the three-dimensional fingertip.

　　“We achieved this excellent sensing performance through the innovative mechanical design of the shell, the tailored imaging system inside, automatic data collection, and cutting-edge deep learning,” said Georg Martius, Max Planck Research Group Leader at MPI-IS, where he heads the Autonomous Learning Group. “Our unique hybrid structure of a soft shell enclosing a stiff skeleton ensures high sensitivity and robustness. Our camera can detect even the slightest deformations of the surface from one single image,” added his Ph.D. student Huanbo Sun. While testing the sensor, the researchers realized it was sensitive enough to feel its own orientation relative to gravity.

　　But how does such a sensor learn? Huanbo Sun designed a testbed to generate the training data needed for the machine-learning model to understand the correlation between the change in raw image pixels and the forces applied. The testbed probes the sensor all around its surface and records the true contact force vector together with the camera image inside the sensor. In this way, about 200,000 measurements were generated. It took nearly three weeks to collect the data and another one day to train the machine-learning model. Surviving this long experiment with so many different contact forces helped prove the robustness of Insight’s mechanical design, and tests with a larger probe showed how well the sensing system generalizes.

　　Another special feature of the thumb-shaped sensor is that it possesses a nail-shaped zone with a thinner elastomer layer. This tactile fovea is designed to detect even tiny forces and detailed object shapes. For this super-sensitive zone, the scientists choose an elastomer thickness of 1.2 mm rather than the 4 mm they used on the rest of the finger sensor.