基于前臂超声图像的操作技能与手部抓握力同时估计

精确估计人手配置及其施加的力对于机器人操作中有效的遥操作和技能迁移至关重要。更深入地理解人与物体的交互可以进一步提高遥操作性能。为了满足这一需求，研究人员探索了捕捉并将人类操作技能和施加的力转化到机器人系统的方法。其中，基于生物信号的方法，特别是那些使用前臂超声数据的方法，在估计手部运动和手指力方面显示出巨大潜力。在本研究中，我们提出了一种使用前臂超声数据同时估计操作技能和施加手部力的方法。从七名参与者收集的数据用于训练深度学习模型，以对操作技能进行分类并估计抓握力。通过五折交叉验证评估，我们的模型在操作技能分类上达到了94.87% ± 10.16%的平均准确率，在力估计上达到了0.51 ± 0.19牛顿的平均均方根误差（RMSE）。这些结果突显了前臂超声在推进人机交互和机器人遥操作以完成复杂操作任务方面的有效性。这项工作为人机交互和远程操作开辟了新的有效可能性，弥合了人类灵巧性与机器人控制之间的差距。