Berührungsloses interaktives Unterrichten von Softrobotern durch flexible bimodale sensorische Schnittstellen

Nature Communications Band 13, Artikelnummer: 5030 (2022) Diesen Artikel zitieren

9527 Zugriffe

15 Zitate

15 Altmetrisch

Details zu den Metriken

In diesem Artikel schlagen wir eine multimodale, flexible sensorische Schnittstelle vor, um weichen Robotern interaktiv beizubringen, mit bloßen menschlichen Händen eine geschickte Fortbewegung durchzuführen. Zunächst entwickeln wir eine flexible bimodale Smart Skin (FBSS), die auf einem triboelektrischen Nanogenerator und einer Flüssigmetallerkennung basiert und gleichzeitig eine taktile und berührungslose Erkennung durchführen und diese beiden Modi in Echtzeit unterscheiden kann. Mit dem FBSS können Softroboter selbstständig auf taktile und berührungslose Reize reagieren. Anschließend schlagen wir eine Distanzkontrollmethode vor, die es Menschen ermöglicht, weichen Robotern Bewegungen durch bloße Hand-Auge-Koordination beizubringen. Die Ergebnisse zeigten, dass die Teilnehmer einem selbstreagierenden Soft-Kontinuum-Manipulator komplexe Bewegungen im dreidimensionalen Raum durch eine „Shifting Sensors and Teaching“-Methode innerhalb weniger Minuten effektiv beibringen können. Der Softmanipulator kann die vom Menschen gelernten Bewegungen wiederholen und sie in unterschiedlichen Geschwindigkeiten wiedergeben. Abschließend zeigen wir, dass Menschen dem Softmanipulator leicht beibringen können, bestimmte Aufgaben auszuführen, z. B. ein Stift-und-Papier-Labyrinth zu bewältigen, einen Rachenabstrich zu machen und eine Barriere zu überwinden, um ein Objekt zu greifen. Wir stellen uns vor, dass diese benutzerfreundliche, nicht programmierbare Lehrmethode, die auf flexiblen multimodalen sensorischen Schnittstellen basiert, die Bereiche, in denen Menschen mit Soft-Robotern interagieren und diese nutzen, erheblich erweitern könnte.

Soft-Roboter haben aufgrund ihres enormen Potenzials in realen Anwendungen wachsende Aufmerksamkeit auf sich gezogen1,2,3,4,5,6,7,8. Aufgrund ihrer hohen Anpassungsfähigkeit bieten weiche Roboter gegenüber starren Robotern außerordentliche Vorteile für die sichere Interaktion mit Menschen in einer Vielzahl von Umgebungen9,10,11,12,13. Da es jedoch schwierig ist, Soft-Roboter zu modellieren und zu programmieren, stoßen Laien oft auf nicht zu vernachlässigende Hindernisse, wenn sie mit Soft-Robotern arbeiten, um bestimmte Bewegungen auszuführen und bestimmte Aufgaben auszuführen14,15,16,17,18. Eine interaktive Lehrmethode, die weichen Robotern Bewegungsmuster effizient und flexibel „beibringen“ könnte, würde menschlichen Benutzern zu Hause, an Produktionslinien und in anderen unstrukturierten Umgebungen enorme Vorteile bringen (Abb. 1). Im Gegensatz zu starren Robotern19,20,21 gibt es nur sehr wenige Studien, die belegen, dass weiche Roboter durch menschliche Interaktion unterrichtet werden. Dies liegt daran, dass es zwei Hauptherausforderungen gibt, Soft-Roboter-Unterricht durch menschliche Interaktion zu erreichen: Der Prozess erfordert (1) ein multimodales, vielseitiges und robustes flexibles Sensorgerät für Interaktionen zwischen einem Soft-Roboter und einem menschlichen Demonstrator; und (2) eine benutzerfreundliche, nicht programmierbare Lehrmethode zur Übertragung der Anweisungen eines menschlichen Demonstrators auf die Soft-Roboter.

Menschen können dem Roboter „beibringen“, verschiedene Aufgaben zu erledigen, indem sie den Roboter berührungslos manipulieren.

In Bezug auf die erste Herausforderung konzentrierten sich die meisten früheren Studien auf die taktile Wahrnehmung von Softrobotern, die nur auf körperliche Berührung und nicht auf berührungslose Reize reagieren können. Der triboelektrische Nanogenerator (TENG), der den gekoppelten Effekt von Kontaktelektrisierung und elektrostatischer Induktion nutzt, kann sowohl taktile als auch berührungslose Reize in elektrische Signale umwandeln22,23,24,25,26. Auf TENGs basierende triboelektrische Sensoren bieten aufgrund ihrer vielfältigen Materialzusammensetzung (z. B. von niedrigem bis hohem Young-Modul), ihrer leicht herzustellenden einfachen Struktur, ihrer hohen Empfindlichkeit und schnellen Reaktionszeiten einzigartige Vorteile für Softroboter27,28,29,30,31 ,32. Frühere Studien, die flexible triboelektrische Materialien und Strukturen verwendeten, haben bemerkenswerte Fortschritte bei der Druck- und Spannungserfassung erzielt33,34,35,36,37,38. Es sind auch Vorarbeiten entstanden, die sich mit der berührungslosen Wahrnehmung befassen39,40,41,42. Da jedoch taktile und berührungslose Stimulationen zu identischen Trends bei der elektrischen Variation führen, ist es für triboelektrische Sensoren eine Herausforderung, in Echtzeit genau zwischen taktilen und berührungslosen Signalen zu unterscheiden43,44 (Ergänzende Abbildungen 1A, B und ergänzender Film 1). Daher muss noch an flexiblen triboelektrischen Sensoren geforscht werden, die in der Lage sind, taktile und berührungslose Echtzeitsensoren zu erfassen, was möglicherweise eine Forschungsgrundlage für ein neues Paradigma des interaktiven Lehrens mit sanften Robotern legt.

Was die zweite Herausforderung betrifft, so ist das interaktive Unterrichten von Soft-Robotern (z. B. dem Soft-Kontinuumsmanipulator) wenig verstanden. Traditionell basierte das Hauptprinzip auf der Kontaktlehre für starre Robotermanipulatoren mit wenigen Freiheitsgraden45,46. Dieses Prinzip wurde üblicherweise dadurch erreicht, dass die Manipulatoren manuell in kontrollierten Modi mit niedriger Impedanz bewegt wurden, während die Encoder der Manipulatoren die Kinematik des Teach-Prozesses zur Wiedergabe der Bewegung aufzeichneten. Allerdings kann diese Art der Kontaktlehre aus zwei Gründen nicht auf Softroboter angewendet werden. Erstens erschweren die unendlichen Freiheitsgrade und die Nachgiebigkeit eines weichen Kontinuumsmanipulators die explizite Steuerung für einen Benutzer, im Gegensatz zu den diskreten Konfigurationen eines starren Manipulators47. Zweitens erzeugt die kontaktbasierte Lehrmethode für weiche Kontinuumsroboter eine passive Verformung, und die Messung dieser deformierten Konfigurationen erfordert eine große Anzahl weicher Sensoren (entweder eingebettet in oder auf der Oberfläche des Roboters), um die dreidimensionale Kinematik des Roboters zu rekonstruieren48,49 . Ist es angesichts dieser Herausforderungen möglich, Softroboter über eine flexible sensorische Schnittstelle interaktiv zu unterrichten? Können nicht-spezialisierte Benutzer Soft-Roboter anweisen, operative Aufgaben in unstrukturierten Umgebungen ohne Programmierung zu realisieren?

Hier entwickeln wir eine flexible bimodale Smart Skin (FBSS) mit sowohl taktiler als auch berührungsloser Sensorik durch die Integration eines triboelektrischen Sensors mit einem Flüssigmetallsensor. Der triboelektrische Sensor kann auf berührungslose Stimulation reagieren, und der Flüssigmetallsensor kann auf taktile Stimulation reagieren. Auf dieser Grundlage kann das implementierte FBSS in Echtzeit eindeutig zwischen taktilen und berührungslosen Modi unterscheiden. Anschließend charakterisieren wir die Erfassungsleistung des FBSS sowohl für die taktile als auch für die berührungslose Erfassung. Abschließend bauen wir mit dem FBSS ein Steuerungsgerüst für den interaktiven Unterricht auf. Wir schlagen außerdem eine Methode zum „Verschieben von Sensoren und Lehren“ zum Lehren komplexer Fortbewegung vor, bei der FBSS während einer Lehrsitzung an verschiedene Orte auf einem Manipulator bewegt wird. Wir zeigen, dass ein Laie einem Kontinuums-Softmanipulator effizient und interaktiv das Aufnehmen und Platzieren, Malen, Rachenabstrich und das Überqueren einer Barriere zum Greifen eines Objekts beibringen kann. Darüber hinaus testen wir die interaktive Leistung des FBSS auch an anderen Soft-Robotern, darunter einem Soft-Origami-Roboter und einem Robotergreifer.

Die flexible bimodale Smart Skin (FBSS)-Struktur enthält fünf flexible Schichten (Abb. 2a und Abschnitt „Methoden“). Die flexible dielektrische Schicht wurde durch Gießen von Silikonkautschuk (Smooth-on, Dragon Skin 00-20) in die Form mit pyramidenförmigen Mikrostrukturen hergestellt. Die flexible Elektrodenschicht wurde aus strukturierten Ag-Nanodrahtnetzwerken (NW) hergestellt und durch Mischen einer Polydimethylsiloxanbasis (PDMS) mit einem Härter (Dow Corning, Sylgard184) in einem typischen Gewichtsverhältnis von 10:1 übertragen. Die Stimulationsschicht unter der Elektrodenschicht wurde mit einem ähnlichen Verfahren wie die flexible dielektrische Schicht hergestellt. Die Oberflächen der flexiblen dielektrischen Schicht, der flexiblen Elektrodenschicht und der Stimulationsschicht bildeten nach der Behandlung mit Plasma (OPS-Plasma, CY-DT01) chemische Bindungen. Die Flüssigmetallschicht wurde zuerst mit einem Flüssigmetalldrucker (DREAM Ink, DP-1) gedruckt und dann wurde die Verpackungsschicht (Smooth-on, Dragon Skin 00-20) zum Übertragen und Einschließen des Flüssigmetalls verwendet. Die Stimulationsschicht wurde über einen Silikonkautschukkleber (Smooth-on, Sil-Poxy) mit der Verpackungsschicht verbunden. Das elektronenmikroskopische Bild wurde für die hergestellten pyramidenförmigen Mikrostrukturen aufgenommen, die Höhe und Breite der pyramidenförmigen Mikrostrukturen betragen 320 μm bzw. 500 μm (Abb. 2b). Das optische Foto wurde für das gedruckte Flüssigmetallmuster aufgenommen und die Breite der Flüssigmetalllinie beträgt etwa 300 μm (Abb. 2c). Das FBSS kann gefaltet und gedehnt werden (maximale Dehnungsrate beträgt 58,4 %), was seine hervorragende Flexibilität und Dehnbarkeit demonstriert (Abb. 2d, e).

ein Soft-Sensor-Design mit verschiedenen übereinander gestapelten Funktionsschichten. Zu diesen Schichten gehören eine flexible dielektrische Schicht (Cyan), eine flexible Elektrodenschicht (grau), eine Stimulationsschicht (blassgelb), das flüssige Metallmaterial (schwarz) und eine Gehäuseschicht (orange). b Elektronenmikroskopische Aufnahme der Mikropyramidenstrukturen auf der Oberseite der flexiblen dielektrischen Schicht. c Ein optisches Mikroskopbild des flüssigen Metallmaterials, das auf die Silikonmaterialschicht gedruckt ist. d Ein Biegefoto des FBSS-Prototyps zeigt seine Flexibilität. e Ein Dehnfoto (maximale Dehnrate beträgt 58,4 %) des Prototyps zeigt seine Dehnfähigkeit. f Der taktile/berührungslose Sensormechanismus des Prototyps: (i) Aufgrund der unterschiedlichen Elektronenaffinitäten nach einigen Kontakten wurde auf der flexiblen dielektrischen Schicht (grau) und dem externen Objekt (rot) die gleiche Dichte negativer und positiver Ladungen erzeugt. (ii) Die freien Elektronen wurden dazu gebracht, vom Boden zur flexiblen Elektrode zu fließen, wenn sich das externe Objekt der flexiblen dielektrischen Schicht näherte. (iii) Das externe Objekt (rot) beginnt mit dem FBSS in Kontakt zu kommen, was den Elektronentransfer erhöht und den Widerstand des flüssigen Metalls erhöht. (iv) Das externe Objekt (rot) steht vollständig in Kontakt mit dem FBSS; Es kommt zur Ladungsneutralisierung, die freien Elektronen hören auf, sich zu bewegen und der Widerstand des flüssigen Metalls erreicht sein Maximum. (v) Als der äußere Druck nachgelassen wurde, flossen die Elektronen von der flexiblen Elektrode (grau) zur Erde zurück und der Widerstand des flüssigen Metalls nahm ab, als der Kanal in seinen ursprünglichen Zustand zurückkehrte. (vi) Als das externe Objekt (rot) vom FBSS getrennt wurde, nahmen die zurückfließenden Elektronen zu und der Widerstand des flüssigen Metalls blieb stabil.

Das vollständige taktile und berührungslose Wahrnehmungsprinzip des FBSS ist in mehrere Stufen unterteilt (Abb. 2f). Während der Anfangsphase (i) werden nach einigen wiederholten Kontakten durch unterschiedliche Elektronenaffinitäten gleiche negative und positive Ladungen auf der flexiblen dielektrischen Schicht und dem externen Objekt erzeugt. Diese Oberflächenladungen können für den interaktiven Unterrichtsprozess ausreichend lange (über 1 Stunde) bestehen bleiben (ergänzende Abbildung 2). Wenn sich das externe Objekt in Stufe (ii) der flexiblen dielektrischen Schicht nähert, ändert sich das elektrische Potenzial zwischen den Elektroden und der Erde, was dazu führt, dass freie Elektronen von der Erde zur flexiblen Elektrode fließen und so einen Strom im Stromkreis erzeugen. Beachten Sie, dass der Widerstand des Flüssigmetallsensors stabil bleibt, da in dieser Phase keine Kontaktdruckkraft auf das FBSS wirkt. Im Stadium (iii) beginnt sich das FBSS durch den Kontaktdruck der äußeren Kraft, die auf den Silikonkautschuk einwirkt, zu verformen. In diesem Stadium befindet sich das äußere Objekt näher an der flexiblen Elektrode, sodass die freien Elektronen weiter vom Boden zur flexiblen Elektrode fließen und einen Strom in die gleiche Richtung erzeugen. Die Flüssigmetallschicht wird komprimiert und die Querschnittsfläche des Flüssigmetallkanals nimmt ab, wodurch sein Widerstand zunimmt. Während Stufe (iv), wenn das externe Objekt vollständig mit dem FBSS in Kontakt steht, wird der Abstand zwischen dem Objekt und der flexiblen dielektrischen Schicht auf ein Minimum komprimiert. Es kommt zur Ladungsneutralisierung, die freien Elektronen hören auf, sich zu bewegen und der Widerstand des flüssigen Metalls erreicht sein Maximum. In Stufe (v) fließen die freien Elektronen bei Entlastung des äußeren Drucks von der flexiblen Elektrode zur Erde zurück und erzeugen einen Strom in die entgegengesetzte Richtung. Der Widerstand des flüssigen Metalls nimmt mit der Wiederherstellung der Kanalform ab. Wenn sich in Stufe (vi) das externe Objekt von der flexiblen dielektrischen Schicht trennt, erhöht sich die Anzahl der Elektronen, die zur Erde zurückfließen, und erzeugt einen Strom in derselben Richtung wie im vorherigen Zustand. Der Widerstand des flüssigen Metalls bleibt stabil, wenn der physische Kontakt zwischen dem externen Objekt und dem FBSS verschwindet. Wenn schließlich das externe Objekt weit vom FBSS entfernt ist, stellt sich ein neues elektrisches Gleichgewicht ein.

Wir haben ein Messsystem implementiert, um die Leistung des FBSS zu untersuchen (ergänzende Abbildung 3). Das FBSS wurde auf einer flachen Platte befestigt, die auf einem Kraftmessgerät (ATI Industrial Automation, mini40) montiert war. Das externe Objekt wurde am Ende des Linearmotor-Aktuators (LinMot, E1100) befestigt, der sich zyklisch dem FBSS nähern und ihn betätigen kann. Als externes Objekt für die taktilen und berührungslosen Sensortests wurde ein Stück Glas verwendet, das 20 mm vom FBSS entfernt angebracht war. Zunächst wurde der Einfluss der Annäherungsentfernung auf die Ausgangssignale des FBSS getestet (Abb. 3a). Das berührungslose Ausgangssignal ΔU nahm mit zunehmendem Abstand von 0 auf 20 mm exponentiell von 11,35 auf 0 V ab. Das taktile Ausgangssignal ΔR des FBSS blieb ohne Variation stabil. Die elektrostatische Induktion wurde mit zunehmendem Abstand zwischen dem externen Objekt und dem FBSS immer schwächer und die Ausgangsspannung nahm im gleichen Maße ab. Wir haben auch die Beziehung zwischen Ausgangssignalen und dem auf das FBSS wirkenden Vertikaldruck untersucht (Abb. 3b). Als der Druck von 0 auf 30 kPa anstieg, stieg das taktile Ausgangssignal ΔR des FBSS von 0 auf 17,24 Ω und das berührungslose Signal ΔU von 0 auf 3,2 V. Die Querschnittsfläche des Flüssigmetallkanals nahm mit zunehmendem Außendruck ab , was zu einer Erhöhung des Widerstands führte. Mit zunehmendem Druck befindet sich das externe Objekt näher am FBSS. Dadurch wird auch die elektrostatische Induktion zwischen dem externen Objekt und dem FBSS verstärkt. Da unterschiedliche Materialien unterschiedliche Elektronenaffinitäten aufweisen, können Materialtypen die Oberflächenladungsdichte der flexiblen dielektrischen Schicht beeinflussen. Daher kann das FBSS zur Materialidentifikation verwendet werden (Abb. 3c). Das taktile Signal ΔR blieb immer bei 0 kPa, während das berührungslose Signal je nach Material bei einem Testabstand von 20 mm variierte. Dadurch kann das FBSS in Echtzeit zwischen Materialien unterscheiden. Die dynamische Reaktion der taktilen Wahrnehmung des FBSS beträgt etwa 120 ms, was der der menschlichen Haut nahe kommt (ergänzende Abbildung 4A, B). Die taktilen und berührungslosen Signalgeräusche betragen 0,04 Ω bzw. 0,12 V (Ergänzende Abbildungen 5A, B). Das maximale Signal-Rausch-Verhältnis (SNR) des berührungslosen Signals und des taktilen Signals beträgt 94,58 bzw. 431,03 (ergänzende Abbildungen 5C, D). Die in den berührungslosen und taktilen Experimenten gemessenen maximalen Auflösungen betragen 0,05 mm bzw. 0,35 kPa (Ergänzende Abbildungen 6A, B).

a Taktile (Cyan) und berührungslose (Orange) Ausgangssignale wurden bei unterschiedlichen Abständen zwischen einer Oberfläche (Glas) und dem FBSS getestet. b Taktile und berührungslose Ausgangssignale bei unterschiedlichem Belastungsdruck. Die ergänzenden Materialien und Methoden lieferten weitere Details zu den Belastungsexperimenten. c FBSS-Ausgangssignale an Oberflächen mit unterschiedlichen Materialien (mit einem Abstand von oben 20 mm). Die Reaktionen des FBSS auf Umweltveränderungen, einschließlich d Temperatur, e Luftfeuchtigkeit und f elektromagnetische Störungen. g Die Stabilitäts- und Haltbarkeitstests des Prototyps zeigen, dass das FBSS über 1200 Lade-Entlade-Zyklen von Kompressionstests mit einem Abstand von 20 mm und einem Druck von 10 kPa überstehen kann. h, i Hochgeschwindigkeitsbilder und Ausgangssignale des FBSS, wenn ein Tennisball darauf fällt (Fallentfernung: 200 mm). j, k Bild- und Ausgabesignale des FBSS, wenn ein menschlicher Finger darauf drückt. Eine rote Leuchtdiode (LED) wurde so programmiert, dass sie sich einschaltet, wenn das induzierte berührungslose Signal einen Schwellenwert überschreitet; Die blaue LED ging an, als der Finger das FBSS berührte. Fehlerbalken stellen die Standardabweichung dar, n = 5 unabhängige Replikate.

Um zu bewerten, wie sich Umweltfaktoren auf die Sensorleistung des FBSS auswirken, haben wir experimentell die Auswirkungen von Temperatur, Luftfeuchtigkeit und elektromagnetischen Störungen auf das FBSS getestet. Das berührungslose Ausgangssignal erhöht sich, wenn die Temperatur von 15 auf 30 °C steigt, und bleibt dann bei weiteren Temperaturerhöhungen stabil (Abb. 3d). Das ausgegebene taktile Signal bleibt bei einem Temperaturanstieg nahezu unverändert. Wir haben den Einfluss der Luftfeuchtigkeit auf die Ausgangssignale des FBSS untersucht (Abb. 3e). Das berührungslose Signal nimmt allmählich ab, wenn die Luftfeuchtigkeit von 31,4 auf 71,4 % steigt. Das ausgegebene taktile Signal bleibt bei steigender Luftfeuchtigkeit nahezu unverändert. Die berührungslosen und taktilen Signale bleiben bei einer Zunahme elektromagnetischer Störungen unverändert (Abb. 3f). Die Langzeitstabilität des FBSS wird auch unter einem Außendruck von 10 kPa und einem Abstand von 20 mm validiert. Wir haben die Ausgänge des FBSS über 1200 Zyklen unter denselben Bedingungen gemessen (Abb. 3g). Die Ergebnisse zeigen keine offensichtlichen Wellenformänderungen, was auf die langfristige Nutzung des FBSS hinweist.

Wir haben eine Reihe von Tests durchgeführt, um die Wahrnehmungsfähigkeit des FBSS bei der Interaktion mit Menschen und der äußeren Umgebung zu überprüfen. Zunächst wurde mit dem FBSS der Fallvorgang eines Tennisballs erfasst, der in einer Anfangshöhe von 200 mm über dem FBSS platziert wurde (Abb. 3h). Eine Hochgeschwindigkeitskamera (Photron Ltd, FASTCAM Mini UX100) zeichnete den gesamten Prozess mit einer Abtastrate von 250 fps auf, während das FBSS sowohl taktile als auch berührungslose Signale aufzeichnete. Der Fallvorgang wurde in drei Phasen unterteilt (Abb. 3i und Zusatzfilm 2). Im Stadium (i) beginnt der Tennisball aus der ursprünglichen Höhe zu fallen und nähert sich dem FBSS. Da der Tennisball jedoch noch nicht in den Erfassungsbereich des FBSS gelangt ist, bleiben dessen Ausgangssignale stabil. In Stufe (ii) fällt der Tennisball weiter und gelangt in den Erkennungsbereich des FBSS. Das berührungslose Signal ΔU sinkt von 0 auf −4,56 V und das taktile Signal ΔR bleibt 0 Ω, da der Tennisball noch nicht mit dem FBSS in Kontakt gekommen ist. In Stufe (iii) berührt der Tennisball das FBSS. Das berührungslose Signal ΔU nimmt weiter von −4,56 auf −5,81 V ab und das taktile Signal ΔR steigt drastisch von 0 auf 0,83 Ω an. Darüber hinaus zeigen wir auch, dass das FBSS die berührungslose Distanz einer durch die Luft fallenden Feder wahrnehmen und unterscheiden kann (Zusatzfilm 3).

Wir haben die taktile und berührungslose Wahrnehmungsfähigkeit des FBSS an einem menschlichen Finger getestet. Das FBSS wurde an eine Beispielschaltung angeschlossen, die zwei LEDs basierend auf taktilem (blaue LED) und berührungslosem (rote LED) sensorischem Feedback steuert (Abb. 3j). Wir haben den gesamten Vorgang aufgezeichnet, bei dem sich ein Finger dem FBSS nähert und es drückt (Abb. 3k und Zusatzfilm 4). Während Stufe (i) war der Finger 50 mm von der Oberfläche des FBSS entfernt, beide LEDs waren aus. Während Stufe (ii), als sich der Finger dem FBSS näherte, leuchtete die rote LED auf, während die blaue LED ausgeschaltet blieb. Die aufgezeichneten sensorischen Daten zeigten, dass das berührungslose Ausgangssignal ΔU von 0 auf 0,56 V anstieg, während das taktile Ausgangssignal ΔR unverändert blieb. Während Stufe (iii) drückte der Finger auf das FBSS, die blaue LED leuchtete auf und die Helligkeit der roten LED nahm zu. Dieses Ergebnis zeigt intuitiv, dass das FBSS taktile und berührungslose Informationen eines menschlichen Fingers wahrnehmen kann.

Um einen Soft-Roboter mit dem FBSS auszustatten, haben wir das FBSS mit einem Soft-Manipulator-Segment integriert, das gebogen und gekürzt werden konnte. Eine menschliche Hand könnte die Biege- und Verkürzungsbewegungen des weichen Manipulatorsegments berührungslos steuern (Abb. 4a, b und Zusatzfilm 5). Das Soft-Manipulator-Segment wurde so programmiert, dass es sich verformt, wenn das berührungslose Ausgangssignal des FBSS einen vorgegebenen Schwellenwert erreicht (das Steuerungsflussdiagramm ist in der Ergänzungstabelle 1 enthalten). Ein weicher Origami-Roboter, der mit einem im Sand vergrabenen FBSS ausgestattet ist, könnte die Annäherung eines Roboterkäfers wahrnehmen und den Käfer greifen, indem er seinen Aktuator aufbläst (Abb. 4c und Zusatzfilm 6).

Berührungslose Steuerung eines pneumatisch betätigten 3-DoF-Softmanipulators zum Biegen und Verkürzen als Reaktion auf eine sich nähernde menschliche Hand. c Ein pneumatisch betätigter weicher Origami-Roboter mit FBSS erkennt und greift erfolgreich einen Spielzeugkäfer. d Demonstration eines weichen Robotergreifers, der mit dem FBSS ausgestattet ist und autonom ein Kunststoffzylinderobjekt sucht, erkennt und greift. e Die taktilen und berührungslosen sensorischen Ergebnisse während dieses Prozesses werden gegen die Zeit aufgetragen. Die Prozesse Suchen (Cyan-Schattierung), Erkennen (Grün-Schattierung) und Greifen (Orange-Schattierung) können in Echtzeit unterschieden werden.

Durch die Integration des FBSS in die Spitze eines weichen Robotergreifers haben wir ihm die Fähigkeit verliehen, Objekte durch taktile und berührungslose Erfassung zu „suchen und zu greifen“ (ergänzende Abbildungen 7A, B und ergänzender Film 7). Der gesamte Prozess kann in verschiedene Phasen unterteilt werden (Abb. 4d, e). Zunächst waren sowohl das taktile Signal ΔR als auch das berührungslose Signal ΔU vernachlässigbar. Wenn sich der starre Roboterarm horizontal bewegt und der Greifer sich dem Kunststoffzylinder nähert, beginnt das berührungslose Signal ΔU anzusteigen und das taktile Signal ΔR bleibt niedrig. Der Schwellenwert für das berührungslose Signal zur „Identifizierung“ eines Zielobjekts wurde auf 0,1 V eingestellt. Sobald das Signal diesen Wert überschritt, begann der Softroboter, das Ziel zu greifen. Das taktile Signal ΔR stieg an und das berührungslose Signal ΔU steigerte sich weiter, bis ein stabiler Halt erreicht war. Diese experimentellen Szenarien veranschaulichen, dass das FBSS sanfte Roboterinteraktionen durch taktile und berührungslose Wahrnehmung effektiv ermöglichen kann.

Um die intelligentere Interaktion zwischen dem Softroboter und dem Menschen weiter zu erforschen, haben wir mit dem FBSS eine flexible Schnittstelle und interaktive Methode vorgestellt (Abb. 5 und Abschnitt „Methoden“). Durch die flexible Schnittstelle und die interaktive Methode haben wir gezeigt, dass Menschen einem Softmanipulator interaktiv beibringen können, sich im zweidimensionalen (2D) und dreidimensionalen (3D) Raum zu bewegen.

a Eine schematische Ansicht des Softmanipulators, bestehend aus drei Segmenten, die jeweils drei Kammern enthalten, die pneumatisch betätigt werden. Das FBSS wird auf einem flexiblen, bogenförmigen Patch mit drei Magneten auf der Rückseite platziert. Außerdem wurden an der Unterseite jedes Segments des Softmanipulators kleine Magnete angebracht, sodass die Position des FBSS schnell geändert werden kann. b Geometrische Funktionen im Biegesegment, wobei φi der Ablenkungswinkel des Segments um die z-Achse ist; θi ist der Segmentkrümmungswinkel um die y-Achse; ri ist der Segmentkrümmungsradius; li ist die Bogenlänge des Segments; rij ist der Krümmungsradius jedes Aktors; lij ist die Bogenlänge jedes Aktors. c Die Betätigungs-, Gelenk- und Konfigurationsräume sowie die Zuordnung zwischen ihnen definieren die inverse Kinematik (finv). d Das Regelwerk für den interaktiven Unterricht, wobei V die gemessene Spannung des FBSS darstellt, Sout das normalisierte Spannungssignal ist, θh die berechnete Schrittlänge ist und pij den pneumatischen Druck jedes Soft-Aktuators darstellt. e Die Abbildung der Schrittlänge θh und des normalisierten Spannungssignals Sout. f Interaktive Lehrversuchsergebnisse: Ausführungszeit und Positionsfehler des Softmanipulators als Funktion der Schrittlänge. Boxplots zeigen Median (Mittellinie), 25., 75. Perzentil (Box) und Maximal- und Minimalwerte (Whisker) sowie Durchschnittswerte (Einzelpunkte). g Der simulierte Arbeitsbereich des Softmanipulators mit interaktivem Unterricht. Fehlerbalken stellen die Standardabweichung dar, n = 5 unabhängige Replikate.

Basierend auf der interaktiven Lehrmethode brachte ein Benutzer dem Softmanipulator bei, ein Objekt im zweidimensionalen Raum zu greifen (Abb. 6a und Zusatzfilm 8). Zur einfacheren Erklärung unterteilen wir den Lehrprozess in vier Schritte. In Schritt (i) haben wir gezeigt, dass der Benutzer die anfängliche Länge des Softmanipulators steuern kann, indem er den Abstand zwischen der Hand des Benutzers und dem FBSS ändert. Dieser Schritt ermöglichte es dem Benutzer, eine effektive Länge des Softmanipulators in den ersten 5 s auszuwählen. In Schritt (ii) „beugte“ der Benutzer den Softmanipulator berührungslos, indem er sich mit einer Hand dem FBSS-Sensor näherte. Genauer gesagt entschied sich der Benutzer für die Anwendung einer Strategie aus mehreren Annäherungs- und Wegfahraktionen, um den Softmanipulator in mehreren großen, diskreten Schritten zu „biegen“, um ihn in Richtung des Zielobjekts zu bewegen. Während dieses Vorgangs variierte der Schwankungsbereich des normalisierten berührungslosen Signals ΔU von 0 bis nahezu 1. Im Gegensatz dazu blieb das ausgegebene taktile Signal ΔR unverändert bei nahezu 0. In Schritt (iii), als sich der Softmanipulator der Zielposition näherte, wurde der Der Benutzer wechselte von großen Schritten zu kleinen Schritten, um den Softmanipulator auf die letzten paar Zentimeter zu bewegen. Hier schwankte die normalisierte berührungslose sensorische Leistung zwischen 0,2 und 0,5. Als der weiche Greifer in Schritt (iv) das Zielobjekt erreichte, drückte der Benutzer das FBSS, um die Greifbewegung auszulösen. Es ist ein drastischer Anstieg der normalisierten berührungslosen und taktilen Signale zu beobachten. Durch unseren Logikalgorithmus beendet der Softmanipulator die Lehraufgabe und schließt den Greifer, wenn die taktile Signalausgabe einen Schwellenwert überschreitet (Ergänzungstabelle 2). Schließlich hat der Softmanipulator das Zielobjekt erfolgreich gegriffen und ist automatisch in seine Ausgangsposition zurückgekehrt.

a Taktile und berührungslose Signale des FBSS während des zweidimensionalen Lehrvorgangs und die Zeitmomente, in denen ein Benutzer dem Softmanipulator beibringt, ein Objekt berührungslos zu greifen. i Vor dem Biegen und Greifen des Soft-Manipulators wählte der Benutzer eine angemessene Länge des Soft-Manipulators, indem er den Abstand zwischen der Hand und dem FBSS (orangefarbene Schattierung) kontrollierte. ii Der Benutzer wendete zunächst eine große Schrittweite an, indem er eine Hand sehr nah an das FBSS brachte (blaue Schattierung), und wandte dann in Schritt iii eine kleine Schrittweite an, indem er einen geringen Abstand zum FBSS hielt (grüne Schattierung). iv Wenn der weiche Greifer das Objekt erreicht, drückt der Benutzer die FBSS-„Taste“, um das Objekt zu greifen (violette Schattierung). b–d Vergleich von Lehr- und Wiederholungsbahnen beim Greifen von Objekten in drei verschiedenen Positionen. e Taktile und berührungslose Signale von FBSS I und II während des dreidimensionalen Unterrichts und Zeitmomente eines Benutzers, der dem weichen Manipulator berührungslos beibringt, ein Objekt im dreidimensionalen Raum zu greifen. i Der Benutzer steuert die planare Biegung in großen Schritten mit Linksannäherungen zum FBSS I (blaue Schattierung). ii Der Benutzer steuert die planare Biegung in kleinen Schritten (auch mit linksseitigen Ansätzen in Richtung FBSS I) (violette Schattierung). iii Der Benutzer steuert das Biegen außerhalb der Ebene mit rechten Annäherungen an FBSS II (grüne Schattierung). iv Wenn der Softgreifer das Objekt erreicht, drückt der Benutzer die FBSS-„Taste“, um das Objekt zu greifen (orangefarbene Schattierung). f–h Vergleich von Lehr- und Wiederholungsbahnen beim Greifen von Objekten in drei verschiedenen Positionen. Die Trajektorien werden im dreidimensionalen Raum dargestellt (x–y-, y–z- und x–z-Ebene).

Da das System während des Teach-Vorgangs gleichzeitig die Antriebsschrittgrößensequenz des Soft-Manipulators aufzeichnet, kann man den Soft-Manipulator betätigen, um die Bewegungen zu wiederholen und die gesamten eingelernten Bewegungen „wiederzugeben“. Wir verglichen den in Echtzeit gesteuerten Luftdruck während des Lehr- und Wiederholungsprozesses (ergänzende Abbildung 8A, B). Die beiden Luftdruckkurven zeigen bei beiden Vorgängen nahezu identische Veränderungen. Wir demonstrierten die interaktiven Lehrergebnisse, indem wir zeigten, wie der Softmanipulator Objekte in niedrigen, mittleren und hohen Positionen ergreift (Zusatzfilm 9). Der Lehrvorgang dauerte jeweils 53, 53 und 59 Sekunden. Die Flugbahnen des Softmanipulators während der Lehr- und Wiedergabephase stimmten gut überein (Abb. 6b – d). Man kann die Lehrverläufe auch beschleunigt und verlangsamt wiedergeben (Zusatzfilm 10), was die Flexibilität bei der Aufgabenausführung des Manipulators erhöht.

Wir führten auch einen interaktiven Unterricht zum Ergreifen von Objekten in einer eingeschränkten Umgebung durch, in der ein Hindernis auf dem Weg des weichen Manipulators platziert wurde (ergänzende Abbildung 9A – E). Die Ergebnisse zeigen, dass der Softmanipulator ein Objekt innerhalb von 40 s erfolgreich greifen kann, während er auf ein Hindernis trifft, das eine Kontaktverformung verursacht (Zusatzfilm 11). In typischen Situationen ist ein hoher Modellierungs- und Programmieraufwand erforderlich, damit weiche Manipulatoren in einer eingeschränkten Umgebung arbeiten können. Im Gegensatz dazu war bei der aktuellen interaktiven Methode keine zusätzliche Programmierung erforderlich.

Wir haben interaktiven Unterricht im 3D-Raum realisiert, indem wir zwei FBSSs in den Softmanipulator integriert haben (der Logikalgorithmus ist in der Ergänzungstabelle 3 dargestellt). Der Benutzer brachte dem Softmanipulator interaktiv bei, mit beiden Händen ein Objekt aus der Biegeebene heraus zu greifen (Abb. 6e und Zusatzfilme 12, 13). Der gesamte Lehrprozess lässt sich in vier Schritte unterteilen. In Schritt (i) wendete der Benutzer wie beim interaktiven Unterrichten im planaren Raum eine linke Hand an, um den Softmanipulator in mehreren großen, diskreten Schritten über mehrere Annäherungs- und Wegfahraktionen zu „biegen“ (angewendet auf FBSS I). Das normalisierte berührungslose Signal ΔU von FBSS I lag zwischen 0 und etwa 1. In Schritt (ii) wechselte der Benutzer von einer großen zu einer kleinen Schrittgröße, um den Softmanipulator langsamer zu bewegen und den Softgreifer auf der gleichen horizontalen Ebene wie den zu positionieren Zielobjekt. Das normalisierte berührungslose Signal ΔU von FBSS I blieb während dieser Phase bei etwa 0,5. In Schritt (iii) legte der Benutzer eine rechte Hand auf FBSS II und bewegte den Softmanipulator aus der ursprünglichen Ebene. Der Endeffektor erreichte das Zielobjekt nach einigen dieser wiederholten rechtsseitigen Annäherungs- und Wegfahrbewegungen. Das normalisierte berührungslose Signal ΔU von FBSS II lag ebenfalls im Bereich von 0 bis etwa 1. Schließlich drückte der Benutzer in Schritt (iv), sobald der weiche Greifer das Zielobjekt erreichte, das FBSS I, um das Greifen auszulösen. Wir haben den in Echtzeit gesteuerten Luftdruck sowohl während des Lehr- als auch des Wiederholungsprozesses verglichen (ergänzende Abbildung 10A, B). Die beiden Luftdruckkurven zeigen bei beiden Vorgängen nahezu identische Veränderungen. Wir haben auch gezeigt, dass interaktives Unterrichten es dem Softmanipulator ermöglicht, Objekte in niedrigen, mittleren bzw. hohen Positionen zu greifen (Zusatzfilm 14). Diese Lehrvorgänge dauerten jeweils 51, 56 und 61 Sekunden. Alle drei Manipulatorbahnen während des Lehrens und Wiederholens zeigen eine hervorragende Übereinstimmung (Abb. 6f – h). Dieses Ergebnis zeigt, dass Benutzer dem Manipulator effektiv beibringen können, sich im 3D-Raum zu bewegen und Aktionen auszuführen. Seit dem Experiment ist es mehr als zehn Neulingen gelungen, dem Softmanipulator interaktiv beizubringen, ein Zielobjekt im 3D-Raum zu greifen.

Um eine intelligente FBSS-Platzierungsstrategie zu demonstrieren, haben wir ein FBSS verwendet, um mehrere Bewegungsmodi für den Softmanipulator zu steuern. Durch Ändern der Montageposition des FBSS am Softmanipulator kann ihm beigebracht werden, sich nach links, rechts und rückwärts zu bewegen (Ergänzungsabbildung 11 und Ergänzungsfilm 15). Die Flugbahnen des Softmanipulators während der Lehr- und Wiedergabephase stimmten wie im vorherigen experimentellen Verfahren gut überein. Um die Benutzerfreundlichkeit der interaktiven Lehrmethode zu bewerten, führten wir ein Lehrexperiment mit mehreren Teilnehmern durch, darunter zwei erfahrene Experten (Forscher dieses Projekts) und drei Neulinge ohne Erfahrung mit einem interaktiven Robotersystem. Wir haben einen Laserpointer am Ende des Softmanipulators angebracht, um die Positionierungsgenauigkeit zu beurteilen (ergänzende Abbildung 12A). Die Teilnehmer konnten die Position des Laserpointers auf einem Ziel steuern, indem sie den Softmanipulator berührungslos anlernten. Wir haben den Positionierungsfehler nach den Unterrichtseinheiten jedes Teilnehmers zehnmal gemessen. Die Ergebnisse zeigten, dass der Positionierungsfehler der Experten bei allen zehn Versuchen <10 mm betrug, während der Positionierungsfehler der Anfänger in den ersten Versuchen relativ groß war (ergänzende Abbildung 12B). Bemerkenswert ist, dass nach maximal 8 Versuchen alle Positionierungsfehler aller Teilnehmer weniger als 10 mm betrugen. Dieses Ergebnis legt nahe, dass Laien durch interaktives Unterrichten schnell lernen können, wie man den Softmanipulator genau positioniert.

Um das interaktive Einlernen des Softmanipulators bei noch komplexerer Fortbewegung zu ermöglichen, haben wir die Methode „Sensoren verschieben und Einlernen“ vorgeschlagen (Abb. 5a und ergänzende Abb. 13). Konkret wurde das FBSS auf einem flexiblen, bogenförmigen Patch mit drei Magneten dahinter platziert. Um die Unterseite jedes Segments des Softmanipulators wurden mehrere kleine Magnetzylinder platziert. Mit der magnetischen Befestigung kann das FBSS schnell und präzise in verschiedene Positionen auf dem Softmanipulator verschoben werden. Daher kann der menschliche Demonstrator ein Segment für die Interaktion auswählen, den FBSS-Patch einfach auf das entsprechende Segment verschieben und dann den Softmanipulator berührungslos unterrichten. Daher nennen wir diese Methode „Sensoren verschieben und lehren“.

Mit der vorgeschlagenen Methode „Sensoren verschieben und lehren“ zeigen wir das interaktive Lehren des Softmanipulators mit komplexer Fortbewegung in 2D- und 3D-Räumen. Die normalisierten berührungslosen und taktilen Signale von FBSS I und FBSS II werden ebenfalls gegen die Zeit aufgetragen (Abb. 7).

Die normalisierten berührungslosen und taktilen Signale von FBSS I und FBSS II im Vergleich zur Zeit. Die roten und blauen Pfeile in jedem Panel zeigen an, dass der Benutzer das FBSS von einer Position zur anderen bewegt hat, um anders mit dem Softmanipulator zu interagieren. a Der Demonstrator lehrt zweidimensionale Bewegungen mit der Methode „Sensoren verschieben und lehren“. b Interaktives Erlernen komplexer dreidimensionaler Fortbewegung durch Anwendung der Methode „Sensoren verschieben und lehren“.

Mit der Methode „Sensoren verschieben und lehren“ brachte ein Benutzer dem Softmanipulator interaktiv bei, eine 2D-„S“-Form zu erreichen (Abb. 7a und Zusatzfilm 16). In Schritt (i) wurden zwei FBSSs auf der Unterseite des dritten Segments des Softmanipulators platziert. Als sich die beiden Hände des Demonstrators gleichzeitig den beiden FBSSs näherten, verkürzten sich alle drei Segmente des Softmanipulators und wechselten in den Lehrmodus. In Schritt (ii) verschob der Demonstrator das FBSS I auf die rechte Seite des ersten Segments und bog dann mit der rechten Hand das erste Segment nach links. Dann drückte der Demonstrator das FBSS I, um das erste Segment zu sperren (iii). In Schritt (iv) verschob der Demonstrator das FBSS II auf die linke Seite des zweiten Segments, beugte das zweite Segment mit der linken Hand nach rechts und drückte dann FBSS II, um das zweite Segment zu verriegeln. In Schritt (v) wurde das FBSS I auf die rechte Seite des dritten Segments verschoben. Der Demonstrator beugte mit der rechten Hand das dritte Segment nach links, drückte dann FBSS I, um das dritte Segment zu verriegeln, und beendete die berührungslose Unterrichtssitzung. Gemäß dieser Methode haben wir mithilfe der „Shifting Sensors and Teaching“-Methode durch dreimaliges Verschieben der FBSS-Sensoren eine planare „S“-förmige Konfiguration des Softmanipulators realisiert.

Wir zeigen eine interaktive Unterrichtssitzung zur komplexen Fortbewegung im 3D-Raum unter Anwendung der Methode „Shifting Sensors and Teaching“ (Abb. 7b und ergänzende Filme 17, 18). In Schritt (i) wurde der Softmanipulator dazu veranlasst, in den Lehrmodus zu wechseln. In Schritt (ii) verschob der Demonstrator das FBSS II auf die rechte Seite des ersten Segments und beugte dann mit der rechten Hand das erste Segment nach links. Dann drückte der Demonstrator den FBSS II-Sensor, um das erste Segment in der aktuellen Richtung zu „sperren“ (iii). In Schritt (iv) wurde FBSS I auf die Rückseite des ersten Segments verschoben und die rechte Hand „beugte“ den weichen Manipulator, um ihn nach außen zu bewegen. Anschließend wurde das erste Segment durch Drücken des FBSS I „gesperrt“. In Schritt (v) wurde das FBSS II auf die linke Seite des zweiten Segments verschoben. Der Demonstrator benutzte die linke Hand, um das zweite Segment nach rechts zu biegen und „sperrte“ das zweite Segment in der aktuellen Richtung, indem er den FBSS II drückte. In Schritt (vi) wurde das FBSS I in den Vordergrund des zweiten Segments verschoben. Dann beugte der Demonstrator mit der rechten Hand das zweite Segment nach innen und „verriegelte“ das zweite Segment durch Drücken des FBSS I. Im letzten Schritt (vii) wurde das FBSS II auf die linke Seite des dritten Segments verschoben. Der Demonstrator beugte das dritte Segment mit der linken Hand nach rechts, drückte dann FBSS II, um das dritte Segment zu verriegeln, und beendete die berührungslose Unterrichtssitzung. So realisierten wir eine komplexe 3D-Konfiguration (beachten Sie, dass alle neun Kammern des Softmanipulators beteiligt waren) des Softmanipulators mithilfe der Methode „Sensoren verschieben und lehren“, indem wir die FBSS-Sensoren fünfmal verschoben. Diese Lehrvorgänge dauerten 197 bzw. 350 s. Die experimentellen Ergebnisse zeigen, dass die Methode „Sensoren verschieben und lehren“ einfach und effektiv ist, um komplexe 3D-Konfigurationen von Soft-Continuum-Robotern zu ermöglichen.

Wir zeigen, dass ein Mensch eng mit dem Softmanipulator interagieren kann, um eine weitere anspruchsvolle Aufgabe zu erledigen. Der Aquarellstift wurde am Ende des Manipulators installiert (Abb. 8a). Mit diesem Aufbau haben wir dem Manipulator beigebracht, Bewegungen auszuführen, um durch ein Labyrinth auf Papier zu „navigieren“ (Abb. 8b und Zusatzfilm 19). Der Softmanipulator wiederholte die Spur nach dem Teachen (Abb. 8c). Die Ausgangssignale von FBSS I und II wurden über den Unterrichtszeitraum von ca. 240 s aufgezeichnet (Abb. 8d).

ein Foto des Versuchsaufbaus, um einem Softmanipulator beizubringen, ein Labyrinth zu vervollständigen. b, c Die Labyrinthspuren des Manipulators während des Lehrens und Wiederholens von Prozessen. d Signalkurven während des Lehrvorgangs zur Fertigstellung des Labyrinths. e Foto- und f-Signalkurven des interaktiven Unterrichtens des Softmanipulators für die Entnahme eines Rachenabstrichs. g Dem Softmanipulator interaktiv beibringen, eine Barriere zu überwinden und erfolgreich eine künstliche Blume zu greifen.

Wir zeigen auch die Fähigkeit des Manipulators, eine kritische Aufgabe im Kontext der öffentlichen Gesundheit auszuführen. Da sich die Coronavirus-Pandemie weiterhin auf der ganzen Welt ausbreitet, sind Rachenabstriche zu einer gängigen Praxis für medizinische Tests geworden. Allerdings stellt dies zweifellos eine Belastung für das medizinische Personal dar, das während des Entnahmevorgangs einem Infektionsrisiko ausgesetzt ist. Um dieses Problem anzugehen, haben wir das interaktive System verwendet, um dem Softmanipulator beizubringen, einen Rachenabstrich zu machen (Abb. 8e, f und Zusatzfilm 20). Zunächst wurde am Ende des weichen Manipulators ein Wattestäbchen angebracht. Der Benutzer könnte dann die ersten beiden Segmente des weichen Manipulators berührungslos von Hand biegen, um die Position des Tupfers zu steuern. Sobald der Tupfer die Zielposition erreicht hat, verlängert der Benutzer das dritte Segment des Softmanipulators durch Drücken des FBSS, um die Rachenabstrichprobe zu entnehmen. Das intelligente interaktive System ist so einfach, dass medizinisches Personal es ohne umfangreiche Schulung bedienen kann, und der Soft-Manipulator kann die Aktion nach nur einem einzigen Lernvorgang selbstständig wiederholen. Im Vergleich zu herkömmlichen starren Robotern sind weiche Manipulatoren aufgrund ihrer weichen Materialien und nachgiebigen Strukturen von Natur aus sicherer für die menschliche Interaktion. Der in Echtzeit gesteuerte Luftdruck wurde während des Lehr- und Wiederholungsprozesses verglichen (ergänzende Abbildung 14). Die beiden Luftdruckkurven zeigen bei beiden Vorgängen nahezu identische Veränderungen.

Schließlich zeigen wir, dass dem weichen Manipulator „beigebracht“ werden kann, eine Barriere zu überwinden und eine künstliche Blume erfolgreich zu greifen, indem die FBSSs fünfmal verschoben werden (Abb. 8g und Zusatzfilme 21, 22). Um die Barriere zu überwinden, kontrollierten wir berührungslos, dass sich das dritte Segment nach außen beugte (i) und das erste Segment verkürzte. Dann wurde das zweite Segment nach rechts gebogen (ii) und das dritte Segment nach oben (iii) und nach innen gebogen. Um die Blume zu greifen, wurde das dritte Segment nach unten gebogen (iv) und der Greifer ergriff die Blume durch Drücken des FBSS II (v), und der gesamte Vorgang dauerte etwa 318 s. Das experimentelle Ergebnis zeigt die Vorteile der Methode „Sensoren verschieben und lehren“ in der praktischen Anwendung der Soft-Roboter-Multigrad-Freiheitssteuerung und stellt ein neues Schema für die Multigrad-Freiheitssteuerung des Soft-Roboters bereit.

In diesem Artikel haben wir einen flexiblen bimodalen Smart Skin (FBSS)-Prototyp entwickelt, der auf taktile und berührungslose Stimulationen reagiert und in Echtzeit zwischen den beiden Modi unterscheidet. Mit dem FBSS als Schnittstelle haben wir eine berührungslose interaktive Lehrmethode zwischen Mensch und weichem Roboter vorgeschlagen und diese Methode systematisch auf einem Kontinuums-Softmanipulator getestet. Diese interaktive Lehrmethode zur Ausführung komplexer Bewegungen wurde intuitiv durch berührungslose Ansätze mit bloßen Händen am FBSS umgesetzt. Mit dieser Methode haben wir einem „naiven“ Softmanipulator erfolgreich beigebracht, sich im 3D-Raum zu bewegen und einfache Aufgaben wie Malen, einen Rachenabstrich zu nehmen und eine Barriere zu überwinden, um ein Objekt zu greifen. Wir gehen davon aus, dass diese interaktive Lehrmethode den praktischen Einsatz von Soft-Robotern erweitern kann, da sie es Laien ermöglicht, den Soft-Roboter für verschiedene Aufgaben ohne Expertenkenntnisse zu bedienen.

Was andere relevante Sensormethoden betrifft, gibt es einige andere Sensoren, die taktile und berührungslose Stimulationen erkennen können. Beispielsweise beruht die magnetische bimodale Haut auf dem Riesenmagnetowiderstandseffekt (GMR) über einen Magnetfilm mit einer pyramidenförmigen Extrusion an der Oberseite50. Wenn der Riesenmagnetowiderstandssensor ein Magnetfeld um den Film herum erkennt, ändert sich sein Widerstand. Allerdings erfordert dieser Sensor, dass Objekte, die mit der Folie in Kontakt kommen, magnetisch sind, sodass die Materialeigenschaften der erfassten Objekte recht begrenzt sind. Im Gegensatz dazu kann ein triboelektrischer Sensor ein breites Spektrum an Materialien erkennen.

Die hohe Flexibilität und Empfindlichkeit der triboelektrischen elektronischen Haut ermöglichte dem Softroboter sowohl Wahrnehmungs- als auch Interaktionsfähigkeiten. Flexible triboelektrische Haut, die hauptsächlich aus flexiblen elektrischen und dielektrischen Filmen besteht51,52, kann taktile und berührungslose Stimulationen durch Kontaktelektrisierung bzw. elektrostatische Induktion in Spannungssignale umwandeln. Es ist zu beachten, dass taktile und berührungslose Stimulationen zum identischen Trend der elektrischen Variation führen. Für triboelektrische Häute ist es schwierig, diese beiden Modi in Echtzeit zu unterscheiden43,44. Durch die Kombination von triboelektrischen und Flüssigmetall-Sensormechanismen kann unser FBSS gleichzeitig sowohl taktile als auch berührungslose Informationen erfassen und die beiden Modi in Echtzeit unterscheiden. Da das FBSS flexibel und dehnbar ist, eignet es sich für große Verformungen und kann für die sanfte Robotererkennung verwendet werden. Darüber hinaus kann das FBSS während der Interaktion ein breites Spektrum an Materialien erfassen (Abb. 3c). Wir haben das FBSS mit anderen taktilen/berührungslosen Sensoren verglichen (Ergänzungstabelle 4). In Zukunft kann die FBSS-Sensorgenauigkeit durch die Optimierung der mikroskopischen Pyramidenstruktur und der Flüssigmetallkanäle weiter verbessert werden.

Es gibt bisher nur wenige Berichte über das menschliche interaktive Unterrichten von Soft-Robotern. Unsere vorgeschlagene Methodik weist die folgenden einzigartigen Merkmale für den Bewegungsunterricht auf: (1) Die Methode basiert auf einer berührungslosen Nah-Distanz-Steuerung über die natürliche Hand-Auge-Koordination der menschlichen Teilnehmer, was sie intuitiv und unkompliziert macht; und (2) das Lehrergebnis ist hinsichtlich Zeit und Genauigkeit recht effektiv. Mit der berührungslosen interaktiven Lehrmethode waren die meisten 3D-Bewegungen des Softmanipulators innerhalb weniger Minuten abgeschlossen.

Der „Kontakt“-Lehransatz für herkömmliche starre Robotermanipulatoren (d. h. das Erreichen eines nachgiebigen Verhaltens mit dem Endeffektor eines Roboters als Reaktion auf die von einem menschlichen Bediener ausgeübten Kräfte) ist für das Lehren weicher Roboter problematisch46. Die Erfassung der passiven Verformung weicher Kontinuumsmanipulatoren, beispielsweise bei der Manipulation durch eine menschliche Hand, erfordert viele weiche Sensoren, was die spätere Rekonstruktion von Form und Konfiguration erschwert. Im Gegensatz dazu haben menschliche Probanden ohne robotergestützte Lehrfähigkeiten oder Erfahrung die Praktikabilität und Wirksamkeit dieser Lehrmethode bestätigt. Darüber hinaus kann das Aufzeichnen und Analysieren der berührungslosen/taktilen Informationen während des Lehrvorgangs und das Wiedergeben der Bewegungen des Soft-Roboters dazu beitragen, zu veranschaulichen, wie Menschen eine berührungslose Interaktion mit Robotern bevorzugen. Eine Aufzeichnung der Handbewegungen verschiedener Personen, insbesondere bei der Annäherung an den Roboter, würde zur weiteren Verfeinerung des interaktiven Systems beitragen.

Angesichts der Grenzen dieser Forschung haben wir in der vorliegenden Studie zwei Softsensoren verwendet, um eine interaktive Schnittstelle zu erstellen. In zukünftigen Arbeiten werden wir mehr interaktive Soft-Sensoren in den Soft-Manipulator integrieren, um komplexere Steuerungen der Roboterform zu ermöglichen und mehr Feedback zu erfassen. Darüber hinaus würden die Entwicklung von Multisensor-Arrays mit FBSS und die Einbindung neuer Werkzeuge für maschinelles Lernen komplexere Roboterbewegungen mit unterschiedlichen Morphologien ermöglichen, die durch berührungslose Interaktion erzeugt werden. Sammeln Sie beispielsweise umfangreiche sensorische Daten für das ML-Training, um menschliche Gesten und Umgebungsobjekte für Softroboter zu erkennen. Darüber hinaus würde die Fähigkeit, mit FBSS in einer komplexen Umgebung zwischen einer menschlichen Hand und einem Objekt oder Hindernis zu unterscheiden, die aktuelle Lehrmethode weiter ergänzen.

In dieser Studie verwendeten wir einen pneumatisch betätigten Softroboter, der einfach, wiederholbar und robust ist. Reaktionsfähige Materialien können es weichen Robotern ermöglichen, durch eine Vielzahl von Reizen wie Licht, Magnetfelder, Elektrizität und Chemikalien zu agieren53, und weiche Materialstrukturen wie Origami und Metamaterialien können durch eine berührungslose interaktive Lehrmethode komplexe Bewegungen ermöglichen54. Wir stellen uns vor, dass interaktive Soft-Roboter mit einer zunehmenden Zahl menschlicher Teilnehmer in einer Vielzahl von Disziplinen zusammenarbeiten können.

Ein strukturierter Kaptonfilm wurde zunächst als Schattenmaske auf einem sauberen Siliziumwafer befestigt (ergänzende Abbildung 15A). Anschließend wurde die Ag-NW-Netzwerklösung auf den Wafer gesprüht und das Lösungsmittel 15 Minuten lang bei 60 °C verdampft. Eine dünne Silikonkautschukschicht wurde auf den Wafer aufgeschleudert und 4 Stunden lang bei 60 °C ausgehärtet. Anschließend wurde der ausgehärtete Silikonkautschuk vorsichtig vom Wafer abgezogen und das Ag-NW-Netzwerk auf den Silikonkautschuk übertragen.

Die SLA-Form mit Mikropyramidenhöhlen (Tiefe = 320 μm; Breite = 500 μm) wurde zuerst mit einem Mikropräzisions-3D-Drucker gedruckt (ergänzende Abbildung 15B). Anschließend wurde der Silikonkautschuk (Smooth-on, Dragon Skin 00–20) tropfenweise auf die Form gegossen und 4 Stunden lang bei Raumtemperatur ausgehärtet. Der ausgehärtete Silikonkautschuk wurde vorsichtig von der Form abgezogen und die Mikropyramidenstrukturen darauf übertragen.

Mit einem Flüssigmetalldrucker (DREAM Ink, DP-1) wurde das strukturierte Flüssigmetall auf das Kunststoffsubstrat gedruckt (ergänzende Abbildung 16). Der Silikonkautschuk (Smooth-on, Dragon Skin 00–20) wurde auf das gemusterte flüssige Metall getropft und dann 4 Stunden lang bei Raumtemperatur ausgehärtet. Um das strukturierte flüssige Metall vom Substrat auf den Silikonkautschuk zu übertragen, wurden sie 40 Minuten lang bei –140 °C in einen Kühlschrank gestellt. Das ausgehärtete Silikon wurde vorsichtig vom Untergrund abgezogen und das strukturierte flüssige Metall in das Silikon eingebettet. Zusätzlicher Silikonkautschuk (Smooth-on, Dragon Skin 00-20) wurde auf eine andere Seite des gemusterten flüssigen Metalls getropft und 4 Stunden lang bei Raumtemperatur ausgehärtet.

Der Softmanipulator ist zum Greifen von Objekten konzipiert und hergestellt (ergänzende Abbildung 17). Der Softmanipulator besteht im Wesentlichen aus drei Softaktormodulen und einem Softgreifer als Endeffektor (Abb. 5a). Der Softmanipulator verfügt über 10 pneumatische Kammern und jedes Biegesegment über 3 Kammern (mit insgesamt 3 Biegesegmenten). Der Endeffektor, ein weicher Greifer mit vier Fingern, wird durch einen einzelnen Lufteinlass betätigt.

Während des Lehrvorgangs folgt die Bewegung des weichen Manipulators einem kinematischen Modell unter der Hypothese der stückweise konstanten Krümmung (PCC). Wir gehen davon aus, dass die Form des weichen Manipulators aus einer festen Anzahl von Segmenten mit konstanter Krümmung besteht. Das kinematische Modell transformiert sich vom Konfigurationsraum (Bogenparameter κi, θi, φi) in den Betätigungsraum (Kammerdruck pij). Genauer gesagt beziehen sich die Indizes i = 1, 2, 3 und j = 1, 2, 3 auf das i-te Segment und jeweils die j-te Kammer. Wir definieren den Bogenparameter κi als den Krümmungsradius des i-ten Segments, θi als den Krümmungswinkel um die y-Achse und φi als den Ablenkungswinkel um die z-Achse (Abb. 5b, c). Der konstante Parameter d könnte vor Beginn der Betätigung gemessen werden. Zuerst lösen wir die Kammerlänge lij aus den gegebenen Bogenparametern κi, θi, φi (ri = κi−1), dargestellt in Gl. (1)

Durch Hinzufügen kalibrierter Druck-Längen-Beziehungen (ergänzende Abbildung 18) können wir den Betätigungsdruck pij aus der Kammerlänge lij berechnen, um die modellbasierte Steuerung abzuschließen.

Der Lehrvorgang beginnt damit, dass sich eine menschliche Hand dem FBSS nähert und das FBSS die Entfernungsinformationen in ein Spannungssignal umwandelt (Abb. 5d und Ergänzungstabelle 2). Zuerst normalisieren wir das Spannungssignal durch Gl. (2), mit einer Abtastfrequenz von 100 Hz:

Dabei ist Sout das normalisierte Spannungssignal, V die gemessene Spannung des FBSS, Vmax der maximale Spannungsausgang des FBSS und Vinit der anfängliche Spannungsausgang des FBSS. Anschließend verwenden wir einen Mittelwertfilter mit 10-facher Abtastfrequenz, um Rauschen aus dem Signal zu entfernen. Um aus dem FBSS-Rückkopplungssignal eine variable Schrittlänge zu erhalten, implementieren wir die hyperbolische Tangensfunktion als Abbildung der Schrittlänge (Abb. 5e), dargestellt in Gleichung (1). (3):

Dabei ist θh die berechnete Schrittlänge, hinit die anfängliche Schrittlänge und k1, k2 die Parameter der hyperbolischen Tangensfunktion. Anschließend wird die Schrittlänge zum aktuellen Biegewinkel θ0 in Gleichung (1) addiert. (4):

Der Biegewinkel θ wird in das kinematische Modell eingesetzt, um die Kammerdrücke pij des Softmanipulators zu ermitteln, und das Mehrkanal-Pneumatiksystem führt die Betätigung mit Drücken pij aus. Wenn das FBSS schließlich physischen Kontakt registriert, löst der Softmanipulator den Greifer aus, um die Greifbewegung abzuschließen.

Während des berührungslosen Interaktionsprozesses kann der Endeffektor des Softmanipulators durch die Bewegung der menschlichen Hand im 3D-Raum geführt werden. Die Position des Endeffektors kann durch die Sicht des Bedieners bestimmt werden.

Wir haben den Lehrfehler unter verschiedenen Strategien zur Schrittlängenkontrolle bewertet. Wir haben einen Lasersender am Endeffektor des Softmanipulators montiert, um die Position des Endeffektors zu verfolgen. Während des gesamten Interaktionsprozesses werden Zeitaufwand und Positionsfehler aufgezeichnet und jeder Test wird fünfmal wiederholt. Die durchschnittliche Ausführungszeit und der Positionsfehler der Strategie mit variabler Schrittlänge betragen 24,3 s bzw. 4,6 mm (Abb. 5f). Daher haben wir die Strategie der variablen Schrittlänge für den interaktiven Unterricht übernommen. Der Arbeitsbereich des Softmanipulators ist 568 mm lang, 591 mm breit und 334 mm hoch (Abb. 5g). Dies gewährleistet ein breites Spektrum an interaktiver Fortbewegung für einen menschlichen Benutzer.

Der Widerstand des FBSS wurde mit einer synchronen Datenerfassungskarte (National Instruments, USB-6356) gemessen. Die Spannung, der Strom und die Übertragungsladungen wurden mit einem Elektrometer (Tektronix Inc., Keithley 6514) gemessen.

Die in dieser Studie generierten Daten werden in der Quelldatendatei bereitgestellt. Quelldaten werden mit diesem Dokument bereitgestellt.

Hsiao, J.-H., Chang, JY & Cheng, CM Weiche medizinische Robotik: klinische und biomedizinische Anwendungen, Herausforderungen und zukünftige Richtungen. Adv. Roboter. 33, 1099–1111 (2019).

Artikel Google Scholar

Hu, W., Lum, GZ, Mastrangeli, M. & Sitti, M. Kleiner Roboter mit weichem Körper und multimodaler Fortbewegung. Natur 554, 81–85 (2018).

Artikel ADS CAS PubMed Google Scholar

Walsh, C. Human-in-the-Loop-Entwicklung weicher tragbarer Roboter. Nat. Rev. Mater. 3, 78–80 (2018).

Artikel ADS Google Scholar

Kim, Y., Parada, GA, Liu, S. & Zhao, X. Ferromagnetische weiche Kontinuumsroboter. Wissenschaft. Roboter. 4, 1–16 (2019).

Artikel CAS Google Scholar

Li, G. et al. Selbstangetriebener Softroboter im Marianengraben. Natur 591, 66–71 (2021).

Artikel ADS CAS PubMed Google Scholar

Thandiackal, R. et al. Entstehung eines robusten, selbstorganisierten Wellenschwimmens basierend auf der lokalen hydrodynamischen Kraftmessung. Wissenschaft. Roboter. 6, eabf6354 (2021).

Naclerio, ND et al. Die Kontrolle unterirdischer Kräfte ermöglicht einen schnellen, steuerbaren, wühlenden Soft-Roboter. Wissenschaft. Roboter. 6, eabe2922 (2021).

Li, L. et al. Luft-Wasser-Roboter, die in der Lage sind, die Luft-Wasser-Grenze zu überwinden und auf Oberflächen zu trampen. Wissenschaft. Roboter. 7, eabm6695 (2022).

Artikel PubMed Google Scholar

Xie, Z. et al. Vom Krakenarm inspirierte, konisch zulaufende, weiche Aktuatoren mit Saugnäpfen für besseres Greifen. Weicher Roboter. 7, 639–648 (2020).

Artikel PubMed Google Scholar

Gu, G. et al. Eine weiche neuroprothetische Hand, die gleichzeitig myoelektrische Kontrolle und taktiles Feedback bietet. Nat. Biomed. Ing. https://doi.org/10.1038/s41551-021-00767-0 (2021).

Wehner, M. et al. Eine integrierte Design- und Fertigungsstrategie für vollständig weiche, autonome Roboter. Natur 536, 451–455 (2016).

Artikel ADS CAS PubMed Google Scholar

Gong, Z. et al. Ein weicher Manipulator für effizientes, feines Greifen im flachen Wasser: Modellierung, Steuerung und reale Experimente. Int. J. Rob. Res. 40, 449–469 (2021).

Artikel Google Scholar

Kim, W. et al. Bioinspiriertes, zweifach verwandelndes, dehnbares Origami. Wissenschaft. Roboter. 4, eaay3493 (2019).

Coevoet, E. et al. Software-Toolkit zur Modellierung, Simulation und Steuerung von Soft-Robotern. Adv. Roboter. 31, 1208–1224 (2017).

Artikel Google Scholar

Rucker, DC & Webster, RJ in Springer Tracts in Advanced Robotics Vol. 79, 645–654 (IEEE, 2014).

Rucker, DC, Jones, BA & Webster, RJ III Ein geometrisch exaktes Modell für extern belastete Kontinuumsroboter mit konzentrischen Rohren. IEEE Trans. Roboter. 26, 769–780 (2010).

Artikel PubMed PubMed Central Google Scholar

Trivedi, D., Lotfi, A. & Rahn, CD Geometrisch exakte Modelle für weiche Robotermanipulatoren. IEEE Trans. Roboter. 24, 773–780 (2008).

Artikel Google Scholar

Hannan, MW & Walker, ID Kinematics und die Implementierung eines Elefantenrüsselmanipulators und anderer Roboter im Kontinuumsstil. J. Roboter. Syst. 20, 45–63 (2003).

Artikel PubMed MATH Google Scholar

Pan, Y., Chen, C., Li, D., Zhao, Z. & Hong, J. Augmented-Reality-basiertes Roboter-Teleoperationssystem mit RGB-D-Bildgebung und Haltungslehrgerät. Roboter. Berechnen. Integr. Hersteller 71, 102167 (2021).

Artikel Google Scholar

Weng, C., Yuan, Q., Suarez-Ruiz, F. & Chen, I. Eine auf Telemanipulation basierende Mensch-Roboter-Kollaborationsmethode zum Erlernen von Fähigkeiten zur Maskierung in der Luft- und Raumfahrt. IEEE Trans. Ind. Informieren. 16, 3076–3084 (2020).

Artikel Google Scholar

Du, G., Yao, G., Li, C. & Liu, P. Eine Offline-Merge-Online-Lehrmethode für Roboter, die auf natürlicher Mensch-Roboter-Interaktion und visuellem Hilfsalgorithmus basiert. IEEE/ASME Trans. Mechatronik 1–12, https://doi.org/10.1109/TMECH.2021.3112722 (2021).

Fan, FR et al. Transparente triboelektrische Nanogeneratoren und energieautarke Drucksensoren auf Basis mikrostrukturierter Kunststofffolien. Nano Lett. 12, 3109–3114 (2012).

Artikel ADS CAS PubMed Google Scholar

Yang, Y. et al. Auf menschlicher Haut basierende triboelektrische Nanogeneratoren zur Gewinnung biomechanischer Energie und als autarkes aktives taktiles Sensorsystem. ACS Nano 7, 9213–9222 (2013).

Artikel CAS PubMed Google Scholar

Wang, ZL Triboelektrische Nanogeneratoren als neue Energietechnologie für autarke Systeme und als aktive mechanische und chemische Sensoren. ACS Nano 7, 9533–9557 (2013).

Artikel CAS PubMed Google Scholar

Ren, Z. et al. Voll elastische und metallfreie taktile Sensoren zur Erfassung von Normal- und Tangentialkräften auf Basis triboelektrischer Nanogeneratoren. Adv. Funktion. Mater. 28, 1802989 (2018).

Artikel CAS Google Scholar

Zhao, G. et al. Transparenter und dehnbarer triboelektrischer Nanogenerator für autarke taktile Wahrnehmung. Nano Energy 59, 302–310 (2019).

Artikel CAS Google Scholar

Wang, ZL Triboelektrische Nanogeneratoren als neue Energietechnologie und energieautarke Sensoren – Prinzipien, Probleme und Perspektiven. Faraday-Diskussion. 176, 447–458 (2014).

Artikel ADS CAS PubMed Google Scholar

Wang, Z., Chen, J. & Lin, L. Fortschritte bei triboelektrischen Nanogeneratoren als neue Energietechnologie und energieautarken Sensoren. Energieumwelt. Wissenschaft. 8, 2250–2282 (2015).

Artikel CAS Google Scholar

Yao, G. et al. Bioinspirierte triboelektrische Nanogeneratoren als energieautarke elektronische Haut für die taktile Sensorik von Robotern. Adv. Funktion. Mater. 30, 1907312 (2020).

Artikel CAS Google Scholar

Jin, T. et al. Triboelektrische Nanogenerator-Sensoren für Soft-Robotik mit dem Ziel digitaler Zwillingsanwendungen. Nat. Komm. 11, 1–12 (2020).

Artikel ADS CAS Google Scholar

Zhang, S. et al. Zerstörungsfreie Dimensionssortierung durch weiche Robotergreifer mit integriertem triboelektrischen Sensor. ACS Nano 16, 3008–3016 (2022).

Chen, J. et al. Soft-Roboter mit autarker Konfigurationserkennung. Nano Energy 77, 105171 (2020).

Artikel CAS Google Scholar

Luo, J. et al. Flexible und langlebige triboelektrische Nanogeneratoren auf Holzbasis für die energieautarke Sensorik in der Big-Data-Analyse im Sport. Nat. Komm. 10, 5147 (2019).

Artikel ADS PubMed PubMed Central CAS Google Scholar

Liu, Z. et al. Transkatheter-autarker ultraempfindlicher endokardialer Drucksensor. Adv. Funktion. Mater. 29, 1–10 (2019).

ADS Google Scholar

Zou, Y. et al. Ein bionisch dehnbarer Nanogenerator für Unterwassersensorik und Energiegewinnung. Nat. Komm. 10, 1–10 (2019).

Artikel ADS CAS Google Scholar

Liu, Y. et al. Dünne, in die Haut integrierte, dehnbare triboelektrische Nanogeneratoren für die taktile Wahrnehmung. Adv. Elektron. Mater. 6, 1901174 (2020).

Artikel CAS Google Scholar

He, J. et al. Vom Trampolin inspirierte dehnbare triboelektrische Nanogeneratoren als taktile Sensoren für die epidermale Elektronik. Nano Energy 81, 105590 (2021).

Artikel CAS Google Scholar

Wu, M. et al. Dünne, weiche, hautintegrierte, schaumbasierte triboelektrische Nanogeneratoren für taktile Wahrnehmung und Energiegewinnung. Mater. Heute Energie 20, 100657 (2021).

Artikel CAS Google Scholar

Zhao, J. et al. Flexibler organischer tribotronischer Transistor zur Druck- und Magnetmessung. ACS Nano 11, 11566–11573 (2017).

Artikel CAS PubMed Google Scholar

Bu, T. et al. Dehnbare triboelektrisch-photonische Smart Skin für Tast- und Gestenerkennung. Adv. Mater. 30, 1800066 (2018).

Artikel CAS Google Scholar

Wu, H. et al. Selbstversorgte, berührungslose elektronische Haut zur Bewegungserkennung. Adv. Funktion. Mater. 28, 1–10 (2018).

ADS CAS Google Scholar

Shi, M. et al. Analoge Smart Skin mit eigener Stromversorgung. ACS Nano 10, 4083–4091 (2016).

Artikel CAS PubMed Google Scholar

Lai, Y.-C. et al. Aktiv wahrnehmende und reagierende Softroboter, die durch selbstangetriebene, hoch erweiterbare und hochempfindliche triboelektrische Nähe- und Drucksensorhäute ermöglicht werden. Adv. Mater. 30, 1801114 (2018).

Artikel CAS Google Scholar

Chen, S., Pang, Y., Yuan, H., Tan, X. & Cao, C. Intelligente weiche Aktuatoren und Greifer, ermöglicht durch selbstangetriebene Tribo-Skins. Adv. Mater. Technol. 5, 1901075 (2020).

Artikel Google Scholar

Du, G., Chen, M., Liu, C., Zhang, B. & Zhang, P. Online-Roboterunterricht mit natürlicher Mensch-Roboter-Interaktion. IEEE Trans. Ind. Elektron. 65, 9571–9581 (2018).

Artikel Google Scholar

Ficuciello, F., Villani, L. & Siciliano, B. Variable Impedanzsteuerung redundanter Manipulatoren für die intuitive physische Mensch-Roboter-Interaktion. IEEE Trans. Roboter. 31, 850–863 (2015).

Artikel Google Scholar

Rus, D. & Tolley, MT Design, Herstellung und Steuerung von Soft-Robotern. Natur 521, 467–475 (2015).

Artikel ADS CAS PubMed Google Scholar

Shah, D. et al. Formverändernde Roboter: Bioinspiration, Simulation und physische Umsetzung. Adv. Mater. 33, 2002882 (2021).

Artikel CAS Google Scholar

Shih, B. et al. Elektronische Skins und maschinelles Lernen für intelligente Softroboter. Wissenschaft. Roboter. 5, eaaz9239 (2020).

Artikel PubMed Google Scholar

Ge, J. et al. Eine bimodale weiche elektronische Haut für taktile und berührungslose Interaktion in Echtzeit. Nat. Komm. 10, 4405 (2019).

Artikel ADS PubMed PubMed Central CAS Google Scholar

Guo, H. et al. Selbststerilisierter, flexibler triboelektrischer Nanogenerator mit einer Elektrode zur Energiegewinnung und dynamischen Kraftmessung. ACS Nano 11, 856–864 (2017).

Artikel CAS PubMed Google Scholar

Lu, X. et al. Dehnbarer, transparenter triboelektrischer Nanogenerator als hochempfindlicher, energieautarker Sensor zur Überwachung der Ermüdung und Ablenkung des Fahrers. Nanoenergie https://doi.org/10.1016/j.nanoen.2020.105359 (2020).

Rich, SI, Wood, RJ & Majidi, C. Untethered Soft Robotics. Nat. Elektron. 1, 102–112 (2018).

Artikel Google Scholar

Laschi, C., Mazzolai, B. & Cianchetti, M. Weiche Robotik: Technologien und Systeme, die die Grenzen der Roboterfähigkeiten verschieben. Wissenschaft. Roboter. 1, 1–12 (2016).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde von den Unterstützungsprojekten der National Science Foundation in China (Zuschuss-Nr. 91848206, 92048302, T2121003, erhalten von LW) und dem National Key R&D Program of China (Zuschuss-Nr. 2018YFB1304600, 2019YFB1309600, 2020YFB1313003, erhalten von LW) unterstützt. Wir möchten Zhexin Xie, Shiqiang Wang, Shanshan Du und Chuqian Wang für ihre Unterstützung bei dieser Arbeit danken.

Diese Autoren haben gleichermaßen beigetragen: Wenbo Liu, Youning Duo, Jiaqi Liu, Feiyang Yuan.

Fakultät für Maschinenbau und Automatisierung, Beihang-Universität, Peking, 100191, China

Wenbo Liu, Youning Duo, Jiaqi Liu, Feiyang Yuan, Lei Li, Luchen Li, Gang Wang, Bohan Chen, Siqi Wang, Yun Wang, Xilun Ding und Li Wen

Institut für Halbleiter, Guangdong Academy of Sciences, Guangdong, 510075, China

Hui Yang

School of General Engineering, Beihang University, Peking, 100191, China

Yuchen Liu & Yanru Mo

Tsinghua National Laboratory for Information Science and Technology, Abteilung für Informatik und Technologie, Tsinghua-Universität, Peking, 100084, China

Bin Fang & Fuchun Sun

CAS Center for Excellence in Nanoscience, Beijing Key Laboratory of Micro-Nano Energy and Sensor, Beijing Institute of Nanoenergy and Nanosystems, Chinesische Akademie der Wissenschaften, Peking, 101400, China

Chi Zhang

School of Nanoscience and Technology, Universität der Chinesischen Akademie der Wissenschaften, Peking, 100049, China

Chi Zhang

Sie können diesen Autor auch in PubMed Google Scholar suchen

WL und LW hatten die Idee, WL, YD, JL, FY, CZ, YW, BF, FS, XD und LW analysierten die Daten und verfassten die Arbeit. WL hat das FBSS entworfen und hergestellt. YD und JL haben den Softmanipulator entworfen und hergestellt. WL, YD, JL und HY implementierten das interaktive Lehrsystem. Lei L., GW, BC, SW, Luchen L., HY und YL führten die Experimente durch. Lei L., YM und WL zeichnen und optimierten die Abbildungen, Tabellen und Videos.

Korrespondenz mit Li Wen.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Nature Communications dankt Huichan Zhao und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit. Peer-Reviewer-Berichte sind verfügbar.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Liu, W., Duo, Y., Liu, J. et al. Berührungsloses interaktives Unterrichten von Softrobotern durch flexible bimodale sensorische Schnittstellen. Nat Commun 13, 5030 (2022). https://doi.org/10.1038/s41467-022-32702-5

Zitat herunterladen

Eingegangen: 20. März 2022

Angenommen: 12. August 2022

Veröffentlicht: 26. August 2022

DOI: https://doi.org/10.1038/s41467-022-32702-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Naturkommunikation (2023)

Nanoforschung (2023)

Wissenschaft China Technologische Wissenschaften (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.