深度学习电子皮肤解码复杂的人体动作

深神经网络通过快速情境学习(RSL)，确保无论其在皮肤表面的位置如何，都能稳定运行。传统的方法需要很多传感器覆盖目标区域的整个曲线表面的网络。与传统的基于晶片的制造不同，这种激光制造为运动跟踪提供了一种新的传感范式。

由计算机学院教授Sungho Jo领导的研究小组与首尔国立大学教授seung ghwan Ko合作设计了这种新的测量系统，该系统通过在金属纳米颗粒薄膜上产生裂缝来提取与多个手指运动相对应的信号激光技术。然后，传感器贴片被安装在用户的手腕上，以检测手指的运动。

深度学习传感器收集震中运动。

来源:韩科院

这项研究的概念始于这样一个想法:与在每个关节和肌肉上安装传感器相比，精确定位一个区域会更有效地识别运动。为了实现这一目标策略，需要在不同区域的信号都收敛的点上准确捕获信号，然后解耦收敛信号中纠缠的信息。为了最大限度地提高用户的可用性和移动性，研究小组使用了一个单通道传感器来产生与复杂的手部动作相对应的信号。

RSL系统从手腕上的任意零件收集数据，并在具有镜像原始动作的虚拟3D手中自动列入模型。为了增强传感器的灵敏度，研究人员使用激光诱导的纳米透视裂缝。

该感觉系统通过一个小型的感觉网络可以跟踪整个身体的运动，便于对人体的动作进行间接远程测量，适用于穿戴式VR / AR系统．

基于迁移学习的RSL系统

来源:韩科院

研究小组表示，他们在开发传感器的过程中专注于两项任务。首先，他们分析传感器信号模式到一个潜在空间封装传感器的时间行为，然后他们将潜在向量映射到手指运动度量空间。

Jo教授说：“我们的系统可扩展到其他身体部位。我们已经确认传感器还能够从骨盆中提取步态运动。这项技术有望提供健康的转折点 -监控，运动跟踪，以及柔软的机器人。“