Eine R&D-Fallstudie zur Entwicklung des OptiGap-Sensorsystems
- Dieser Beitrag untersucht den Forschungs- und Entwicklungsprozess des neuen Sensorsystems OptiGap, einem Kernelement der Doktorarbeit des Autors
- In erzählerischer Form sollen Einblicke in den Entscheidungsprozess und die Entwicklung bis zur endgültigen Umsetzung vermittelt werden
- Er bietet die Möglichkeit, einen Blick in die mitunter verborgene Welt der Doktorforschung zu werfen, und dürfte das Interesse von Menschen wecken, die auf diesen Prozess neugierig sind
- Wer mehr über die technischen Details, Simulationen und bestehende Forschung zu diesem Thema erfahren möchte, kann die Dissertation des Autors online einsehen
Funktionsweise des OptiGap-Sensorsystems
- Sehr vereinfacht gesagt ist dieser Sensor im Grunde wie ein Seil, das beim Biegen entlang seiner Länge anzeigen kann, wo es gebogen wurde
- Das wird als „Biegelokalisierung“ (
bend localization) bezeichnet
- Die Anwendungsgebiete von OptiGap liegen vor allem im Bereich der Softrobotik, also in flexiblen (oder „weichen“) Systemen, in denen der Einsatz traditioneller Sensoren oft unpraktisch ist
- Der Name OptiGap ist ein Kofferwort aus „optical“ und „gap“ und spiegelt das Kernprinzip wider, bei dem Luftspalte innerhalb flexibler Lichtleiter genutzt werden, um kodierte Muster zu erzeugen, die für die Biegelokalisierung entscheidend sind
Die Anfänge des OptiGap-Sensorsystems
- Die Idee zu OptiGap entstand, während der Autor mit der Lichtübertragung durch verschiedene Lichtleiter (Lichtkabel) experimentierte, um sie als Biegesensoren zu verwenden
- Ursprünglich wollte er herausfinden, wie sich Licht durch eine optische Faser effektiv „verlangsamen“ lässt
- Dabei befestigte er zu Versuchszwecken ein Stück transparentes 3D-Drucker-Filament (1,75 mm TPU) an einem Maßband und stellte zufällig fest, dass die Lichtübertragung deutlich abnahm, wenn das Maßband (und das Filament) an einer Stelle gebogen wurde, an der Elektroband angebracht war
- Er stellte die Hypothese auf, dass klebrige Rückstände des Elektrobandes das Filament dehnten und dadurch die Lichtübertragung reduzierten
- Um diese Hypothese zu überprüfen, befestigte er ein längeres TPU-Stück am Maßband und begann, es an verschiedenen Stellen zu biegen, um zu beobachten, wie sich die Lichtübertragung verändert
Die Umsetzung von OptiGap
- Dem Autor wurde klar, dass sich damit Informationen über die Biegeposition des Sensors kodieren lassen, weil die Position der Lichtdämpfung steuerbar ist
- Da Elektroband keine praktikable Lösung war, suchte er nach einer zuverlässigeren und konsistenteren Methode, um diese Dämpfung zu erzeugen
- Daraus entstand die Idee, das Filament zu zerschneiden und mithilfe einer flexiblen Gummihülse (Silikon) wieder zu verbinden, wobei kleine Luftspalte verbleiben
- Das grundlegende Funktionsprinzip der Luftspalte besteht darin, dass sich der Anteil des über den Spalt übertragenen Lichts verändert, wenn eine Stirnfläche des Lichtleiters relativ zur anderen verschoben und/oder gedreht wird
- Je größer der Biegewinkel, desto mehr Licht entweicht über den Spalt
- Die daraus resultierende Änderung der Lichtsignalstärke kann mit bekannten Mustern verknüpft und so als Sensor verwendet werden
Die große Idee
- Der Autor testete diese Idee, indem er mehrere Luftspalte in Reihe erzeugte und das Filament bog, um die Dämpfung zu messen
- Die Lichtintensität nimmt an jedem Luftspalt ab und sinkt bei größerem Biegewinkel noch deutlicher
- Dieses frühe Experiment diente als Proof of Concept und belegte die Umsetzbarkeit der Idee
- Daraus leitete er schließlich seine Hypothese ab, diese Luftspaltmuster zur Kodierung von Informationen über die Biegung des Sensors zu nutzen und die Biegeposition mit einem Naive-Bayes-Klassifikator auf einem Mikrocontroller zu dekodieren
- Das Konzept ähnelt in seiner Funktion einem linearen Encoder
- Das OptiGap-System arbeitet wie ein Absolutencoder, indem es biegungssensitive Luftspaltmuster entlang paralleler Lichtleiter zur Kodierung absoluter Positionen nutzt und so effektiv als einzelner Glasfasersensor fungiert
Kodierung der Biegeposition mit Reverse Gray Code
- Reverse Gray Code ist ein Binärcode, bei dem sich zwei aufeinanderfolgende Werte um bis zu (n-1) Bit unterscheiden
- Zur Umsetzung wurden Schnitte ins Filament eingebracht, überall dort, wo die Reverse-Gray-Code-Sequenz eine „1“ enthält
- Dieser Ansatz lässt sich auf jede Bitzahl skalieren
- Beim Prototyp wurden 3 Bit verwendet, was 8 mögliche Positionen ergibt
Visualisierung des OptiGap-Sensorsystems
- Die Abbildung zeigt die Signalmuster des OptiGap-Sensorsystems für jede Biegeposition unter Verwendung von 3 Glasfasern
- Mit einem Naive-Bayes-Klassifikator kann das Sensorsystem die Biegeposition anhand dieser Signalmuster identifizieren
- Das dritte Diagramm zeigt reale Sensordaten aus dem Prototypsystem, die zum Training des Klassifikators auf dem Mikrocontroller verwendet wurden
OptiGap-Prototyp
- Der Autor baute einen Prototyp des OptiGap-Sensorsystems mit 3 transparenten TPU-3D-Drucker-Filamenten, die jeweils ein eigenes Luftspaltmuster aufwiesen
- Mithilfe eines kommerziellen 3:1-Glasfaser-Kopplers wurden die 3 Lichtstränge zu einem einzelnen Glasfaserkabel zusammengeführt und der Sensorprototyp vervollständigt
- Das markierte den abschließenden Schritt zur Verifikation der Hypothese und der zugrunde liegenden Funktionsweise des OptiGap-Sensors
Verkleinerung der physischen Abmessungen
- Der erste Prototyp erwies sich aufgrund der Größe des verwendeten 3D-Drucker-Filaments als groß und sperrig
- Aus früheren Erfahrungen erkannte der Autor, dass PMMA-Lichtleiter (Kunststoff) eine kleinere und flexiblere Alternative für diese Anwendung bieten
- Daher evaluierte er für die Sensorstränge unummantelte PMMA-Glasfasern mit 500, 750 und 1000 Mikrometern von Industrial Fiber Optics, Inc., wodurch sich die Sensorgröße erheblich reduzieren ließ
- Es wurden Tests durchgeführt, um Lichtübertragung und Flexibilität bei allen 3 Fasertypen zu bewerten
- Dabei erwies sich die 500-Mikrometer-Faser insgesamt als beste Wahl, auch wenn alle 3 für diese Anwendung ausreichend flexibel waren
Verringerung der Komplexität des optischen Transceivers
- Um die Systemkomplexität zu senken und die Modularität zu erhöhen, fiel die Entscheidung auf ein einfaches Setup mit Fotodiode und IR-LED statt des komplexen VL53L0X-ToF-Sensors
- Dadurch konnten die Sensordaten mit einem Mikrocontroller ausgelesen werden, was gegenüber dem ersten Prototyp eine deutliche Verbesserung darstellte
- Anschließend wurde ein Demosystem für den Sensor auf Basis eines STM32-Mikrocontrollers und des Fotodioden-/IR-LED-Setups aufgebaut
Echtzeit-Machine-Learning auf dem Mikrocontroller
- Der letzte Entwicklungsschritt des OptiGap-Sensorsystems bestand darin, einen Naive-Bayes-Klassifikator in einen STM32-Mikrocontroller zu integrieren, um die Biegeposition aus den Sensordaten zu dekodieren
- Die Wahl fiel auf einen Naive-Bayes-Klassifikator, weil er im Vergleich zu
if-Anweisungen oder Lookup-Tabellen effizienter ist, neue oder bisher ungesehene Daten verarbeiten kann und Beziehungen zwischen mehreren Eingangsvariablen berücksichtigen kann, was die Genauigkeit potenziell erhöht
- Die Implementierung des Naive-Bayes-Klassifikators erwies sich als relativ einfach
- Es handelt sich um ein probabilistisches Modell, das den Bayes’schen Satz anwendet, um zu bestimmen, wie eine Messung einer bestimmten Klasse zugeordnet werden kann; in diesem Kontext steht die Klasse für die Biegeposition
- Für die Implementierung des Klassifikators wurde die Arm CMSIS-DSP-Bibliothek genutzt
Fitting der Sensordaten
- Der erste Schritt zur Integration des Klassifikators bestand darin, die Sensordaten für jedes Luftspaltmuster an eine Gauß-Verteilung anzupassen
- Um diesen Prozess zu beschleunigen, entwickelte der Autor eine Python-GUI mit der GNB-Implementierung (Gaussian Naive Bayes) aus der scikit-learn-Bibliothek, um Daten schnell zu labeln und zu fitten
- Später wurde diese UI allgemeiner verbessert, sodass auch komplexeres Data Fitting möglich wurde
- Die Wahrscheinlichkeiten für jede Klasse wurden berechnet und als Header gespeichert, damit sie auf dem Mikrocontroller verwendet werden können
Filterung der Sensordaten
- Um die Genauigkeit des Klassifikators zu erhöhen, wurde auf dem STM32 ein zweistufiger Filterprozess implementiert
- Die erste Stufe bestand aus einem einfachen gleitenden Mittelwertfilter, in der zweiten kam ein Kalman-Filter zum Einsatz
Demo des OptiGap-Sensorsystems
- Das bereitgestellte GIF zeigt verschiedene Entwicklungsstufen des OptiGap-Sensorsystems, einschließlich des Zusammenbaus und einer Demonstration des finalen Sensorsystems im Betrieb
OptiGap-Designspezifikationen
- Zentrale Eigenschaften und Parameter
- Materialempfehlungen
Nächste Schritte
- Über das hier Dokumentierte hinaus wurden beim OptiGap-System bereits erhebliche Fortschritte erzielt
- Dazu gehört unter anderem die Integration in ein modulares Antriebs- und Sensorsystem namens EneGate
- Dies betrifft das Design kundenspezifischer PCBs und die Systemintegration und wird in der Dissertation ausführlich beschrieben
- Außerdem wurde eine kompakte PCB-Version der Optik als Prototyp entwickelt, um mit den PCBs des EneGate-Systems zu interagieren
- OptiGap wurde bereits in realen Softrobotik-Systemen validiert; weitere Details sollen in einem RoboSoft-Paper mit dem Titel „Embedded Optical Waveguide Sensors for Dynamic Motion Monitoring in Twisted Beam Structures“ veröffentlicht werden
Kommerzialisierung
- Auch die Kommerzialisierung dieser Forschung wird vorangetrieben
Meinung von GN⁺
- Das OptiGap-Sensorsystem wirkt wie eine innovative Technologie, die im Bereich Softrobotik Biegepositionen erkennen kann, die mit herkömmlichen Sensoren schwer zu erfassen waren. Verschiedene Systeme, in denen Flexibilität gefragt ist
1 Kommentare
Hacker-News-Kommentare
Hier sind die wichtigsten Punkte aus den Hacker-News-Kommentaren, in neutralem und informativem Ton zusammengefasst:
Die allgemeine Idee, Materialien stärker „selbstwahrnehmend“ oder besser inspizierbar zu machen, wird als cleveres und Sci-Fi-artiges Konzept geschätzt.
Die frühere Forschung eines Kommentators nutzte komplexwertige neuronale Netze, um die Transmissionsmatrix einer optischen Faser zu erlernen. Das steht mit dieser Arbeit insofern in Zusammenhang, als eine Biegung der Faser das erneute Erlernen einer neuen Matrix erfordert. Möglicherweise lässt sich eine parametrisierte Charakterisierung der Faser erlernen, um ihre Form zu modellieren.
Die Forschung wirkt gründlich und gut dokumentiert. Die Betreuerin Cindy Harnett ist sich der konzeptionellen Ähnlichkeit zur Time-Domain-Reflectometry vermutlich bewusst.
Es gibt Fragen dazu, wie der Sensor mit mehreren Biegungen umgeht. Nach jetzigem Stand würden mehrere Biegungen offenbar zur Summe der logarithmischen Dämpfungen führen, wodurch möglicherweise ebenso viele Stränge wie Biegestellen nötig wären, um sie auseinanderzuhalten. Es braucht eine Klarstellung, ob dies nur für Fälle mit einer einzelnen Biegung gedacht ist.
Mögliche Verfeinerungen könnten diese Technologie in hoher Genauigkeit massenproduzierbar machen. Zu den Anwendungen gehören kostengünstige 2D- oder 3D-Touchsensoren für Roboter, richtungssensitive Propriozeption für flexible Schläuche und die Erkennung lokalisierter Temperaturunterschiede.
Die Technologie scheint dem Nintendo Power Glove zu ähneln, der Licht durch einen Schlauch nutzte, um Tastenanschläge basierend auf Finger- oder Handbiegungen auszulösen.
Hervorgehoben wird, dass ein großartiger Betreuer den Unterschied zwischen einer miserablen und einer guten Erfahrung ausmacht.
Ein Kommentator interessiert sich dafür, diesen Sensor — oder mehrere Sensoren zusammen — zu verwenden, um einen Golfschlägerschwung für einen Golf-Launch-Monitor, der keinen geschlagenen Ball benötigt, präzise zu erfassen.
Vorschläge zur Verbesserung umfassen:
Die Arbeit erinnert einen weiteren Kommentator an Distributed Acoustic Sensing (DAS) mit Glasfaserkabeln für verschiedene Überwachungsaufgaben, auch wenn er es bisher nicht im Bereich Soft Robotics gesehen hat.
Die Herausforderung bei der Herstellung,
log2-Fasern und unterschiedliche Kodierungen an jeder Verbindungsstelle zu benötigen, wird anerkannt, aber in der Forschungs- bzw. Proof-of-Concept-Phase nicht als Problem angesehen.