Axonnic推前臂袖套:读取肌肉信号解码手指动作并估算指尖力
来源标题:Launch HN: Axonnic (YC F26) – Sleeves that track fingers and estimate force
Axonnic发布一款前臂袖套,通过64通道表面肌电信号解码手指关节角度并估算指尖力,双手保持裸露。该设备用于记录人体动作,为灵巧机器人生成训练数据,团队称肌电信号比单靠视频更能捕捉动作背后的肌肉活动与用力信息。
以下正文由 AI 翻译自 Hacker News(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
大家好,我们是 Arsh 和 Max,Axonnic(https://axonnic.com)的创始人。我们开发了一种前臂袖套,通过读取肌肉活动来解码手指动作并估算指尖力度,同时让双手保持裸露。它用于记录人体运动,为灵巧机器人生成训练数据。演示视频在这里:https://youtube.com/shorts/xBrocTc9cfA
我们发现,肌电图(EMG)是训练机器人比单靠视频好得多的方式,因为视频只能捕捉动作,无法捕捉肌肉活动或动作背后的用力。即使手几乎不动,也可能存在有用的信号;仅仅维持抓握就涉及肌肉激活。视频中几乎无法捕捉的细微肌肉运动,恰恰是缝纫和精细装配这类活动中最重要的细节。
袖套拥有 64 通道表面肌电图(EMG)。皮肤上的电极检测前臂肌肉的电活动。我们将传感器分布在整个前臂上,以避免对单一肌群过拟合。我们将 EMG 与手部追踪同步,训练一个预测手指关节角度的模型,然后仅依靠 EMG 运行解码器,并加入通过手指按压力度传感器校准得到的指尖力度估算。
当用户脱下袖套再重新戴上时,电极位置会发生变化,因此我们在不同的佩戴情况下进行测试。在一个案例中,我们在训练四天后进行了一段 215 秒的记录,没有做任何重新校准,并将结果与 Apple Vision Pro 的手部追踪进行了对比。结果是 20 个关节角度的误差仅为 6.9°。我们在这里发布了测量和评估细节:https://axonnic.com/benchmarks。
我们在工厂进行记录时面临许多挑战,包括无线干扰和不可靠的现成硬件。这导致了一些糟糕的记录,需要重复数据采集。因此,我们正在开发自己的电子设备,采用有线 PCB 设计,以消除干扰和时序不一致的问题。
Axonnic 源自 Max 在牛津的 EMG 研究。我们最初考虑将这项技术用于计算机控制,后来认为一个更有前景的用例是捕捉熟练手工任务中的用力情况。这项技术可以描述为一种计算机到人的接口。计算机从中获得洞察并向人类技能学习。缝纫尤其突出,因为材料会变形,操作者需要不断调整抓握和张力。
Maxim 拥有牛津大学 MBiol 学位,从事过高密度表面 EMG 研究。他此前在 Skyscanner 构建内部工具,并在 Voxblock 从事 PCB 开发和供应链工作。Arsh 在牛津学习医学,拥有将机器学习应用于医学影像的研究经验,同时参与过软件和机器人项目。我们一起构建了袖套、解码软件和数据采集系统,并在工业环境中进行了测试。
目前,我们的技术正被一家欧洲制造商用于记录缝纫和其他手工任务,该制造商已签署意向书,支持机器人实施。我们还采集了涉及电工、水管工和拆除工作的建筑演示数据。这些是试点和数据采集案例。另外,我们的公开演示包括从前臂 EMG 控制 Proception 机械手。
如果你自己做过任何训练机器人完成手工任务的试验,我们很想听听你试图训练什么任务以及试验进展如何。我们很乐意在评论中讨论硬件、校准和模型。谢谢!https://axonnic.com 评论 URL:https://news.ycombinator.com/item?id=50522776 点数:3
评论数:0
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。