Intelligent Soft-sensor System to Add Haptic Perception to Underactuated Hand Prostheses
Nome: LAURA VANESA DE ARCO BARRAZA
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 10/03/2023
Orientador:
Nome |
Papel |
|---|---|
| CAMILO ARTURO RODRIGUEZ DIAZ | Orientador |
| MARIA JOSE PONTES | Co-orientador |
Banca:
| Nome |
Papel |
|---|---|
| ARNALDO GOMES LEAL JÚNIOR | Examinador Interno |
| CAMILO ARTURO RODRIGUEZ DIAZ | Orientador |
| CARLOS ANDRES CIFUENTES GARCIA | Examinador Externo |
| MARCELO MARTINS WERNECK | Examinador Externo |
| MARIA JOSE PONTES | Coorientador |
Resumo: A exploração háptica refere-se à capacidade da mão humana de reconhecer objetos e manipulá-los sem a necessidade de ajuda visual. Isso é possível devido à percepção cinestésica e tátil. A percepção cinestésica permite que a pessoa perceba os movimentos do próprio corpo e as forças que estão sendo aplicadas a ele. Nos últimos anos, houve um aumento significativo na pesquisa e desenvolvimento de mãos robóticas capazes de incorporar essa capacidade. Isso tem sido possível graças ao uso de sensores e algoritmos de aprendizado de máquina, que permitem que as mãos robóticas interajam com objetos sem a necessidade de supervisão humana. À medida que a pesquisa em mãos robóticas avança, as áreas de interesse têm procurado dispositivos cada vez mais semelhantes aos membros humanos. Consequentemente, tem havido um aumento no uso de robótica suave e no desenvolvimento de sensores que imitam essas características. Os recentes avanços na tecnologia de sensores de fibra óptica têm sido particularmente notáveis, graças a suas conhecidas capacidades, como baixo custo, tamanho reduzido, baixo peso, robustez, biocompatibilidade, alta sensibilidade e precisão. Esta dissertação mestre tinha como objetivo desenvolver um sistema inteligente de sensor suave para adicionar percepção táctil a próteses de mão subactuadas. Esta metodologia de sensor monitora a interação física durante as atividades de apreensão para detectar o tipo de objeto apreendido por uma abordagem orientada por dados. O sistema de sensor háptico desenvolvido aqui foi implementado na prótese de membros superiores PrHand, baseado no acionamento da robótica suave. O sistema de sensor suave se assemelha à percepção cinestésica da mão humana, implementando duas modalidades de sensoriamento, ângulos de articulação dos dedos e medidas de força de contato da ponta dos dedos implementadas nos dedos protéticos. Os sensores são baseados na variação de intensidade com fibra óptica polimérica. Para o desenvolvimento do sensor de ângulo, três fabricações foram testadas através da rotação axial dos sensores em quatro posições, e a forma de fabricação com resposta mais similar nas quatro rotações foi escolhida. O sensor utilizado é no qual se-fiz uma remoção drecubrimiento externo com um desgaste em o revestimento e no nucleo. Os sensores foram localizados na junta interfalangeal distal (DIP) do dedo protético. A caracterização do sensor foi feita realizando seis ciclos de abertura e fechamento por dedo. Os sensores apresentaram uma resposta polinomial de segunda ordem com R² superior a 92 %. Os sensores de força de contato foram localizados na ponta dos dedos para rastrear a força feita sobre os objetos. Antes de se fixar os cinco sensores, cada um deles foi avaliado através de cinco ciclos de compressão e descompressão. Na maioria dos casos, os sensores apresentaram uma resposta polinomial com R² superior a 94 %; o processo de fabricação influenciou muito o comportamento do sensor, já que no processo de secagem do sensor, a fibra poderia ter movimentos. Para a implementação da aprendizagem da máquina, são utilizados 24 objetos do Protocolo de Avaliação da Mão Antropomórfica (AHAP) relacionados a oito tipos de garras. Seis algoritmos de aprendizagem da máquina são testados, quatro são supervisionados (Linear Regression, k-Nearest Neighbor, Supporter Vector Machine, e Decision tree), e dois não são supervisionados (K-Means Clustering e Hierarchical Clustering). Para validar os algoritmos foi usado o teste k-fold com um k = 10, e os resultados de precisão para k-Nearest Neighbor (k-NN) foi 98,5 ± 0,01 % e Árvore de Decisão (DT) foi 93,3 ± 0,2 %. Os outros quatro algoritmos tiveram um resultado inferior a 30 %. Uma das principais razões relacionadas à baixa precisão dos algoritmos não supervisionados é a falta de formação de clusters. Concluiu-se que apenas os algoritmos k-NN e DT permitem classificar os tipos de garras. Uma das limitações deste estudo é avaliar se o PMDS é a melhor opção para este sensor porque, depois de um tempo, o silicone começa a quebrar, de modo que a vida útil do sensor não é tão alta quanto o esperado. Além disso, para a caracterização do sensor de ângulo como foi feito nos dedos, foi difícil garantir que para todas as tentativas, os dedos se fechassem, da mesma forma sempre, causando alguns erros.
