特表2022-541997磁性材料の変形を検知するシステム及び方法並びにその製造方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-09-29
(54)【発明の名称】磁性材料の変形を検知するシステム及び方法並びにその製造方法
(51)【国際特許分類】
G01R 33/02 20060101AFI20220921BHJP
G01D 5/12 20060101ALI20220921BHJP
G01R 33/025 20060101ALI20220921BHJP
G01R 33/10 20060101ALI20220921BHJP
【ＦＩ】
G01R33/02 L
G01D5/12 H
G01R33/025
G01R33/10
G01R33/02 K
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2021576342
(86)(22)【出願日】2020-06-22
(85)【翻訳文提出日】2022-02-17
(86)【国際出願番号】 US2020039027
(87)【国際公開番号】W WO2021061240
(87)【国際公開日】2021-04-01
(31)【優先権主張番号】62/864,766
(32)【優先日】2019-06-21
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】515062511
【氏名又は名称】カーネギー メロン ユニバーシティ
【氏名又は名称原語表記】ＣＡＲＮＥＧＩＥ ＭＥＬＬＯＮ ＵＮＩＶＥＲＳＩＴＹ
(74)【代理人】
【識別番号】110001438
【氏名又は名称】特許業務法人 丸山国際特許事務所
(72)【発明者】
【氏名】ヘレブレッカーズ，テス
(72)【発明者】
【氏名】マジディ，カーメル
【テーマコード（参考）】
2F077
2G017
【Ｆターム（参考）】
2F077JJ07
2G017AA02
2G017AA08
2G017AB02
2G017AC02
2G017AD51
2G017BA05
2G017BA15
(57)【要約】
【解決手段】柔らかい磁性センサは、ランダムに分散した磁性微粒子を含む軟質材料と、連続した領域での力の推定と接触位置特定とが可能なマグネトメータとを備えている。基準マグネトメータが使用されて、動き及び環境ノイズをフィルタリングすることができる。接触位置を特定して力を決定する方法は、マグネトメータの出力をデータ解析する。幾つかの実施形態では、センサは、接触する前に物体の位置を特定することができる。
【選択図】図１Ａ
【選択図】図１Ａ
【特許請求の範囲】
【請求項1】
マグネトメータと、磁場を有する複合磁性材料と、
を備えており、
前記複合磁性材料は、
変形可能材料と、
前記変形可能材料の中に分散された複数の磁性粒子と、
を備えており、
前記マグネトメータは、前記複合磁性材料の磁場を感知するように構成されている、センサ。
【請求項2】
前記マグネトメータは、前記複合磁性材料の変形によって生じる前記複合磁性材料の磁場の変化を感知するように構成されている、請求項１に記載のセンサ。
【請求項3】
前記変形可能材料はエラストマーである、請求項１に記載のセンサ。
【請求項4】
前記磁性材料の磁場から離れた位置に配置されており、バックグラウンドの磁場を感知するように構成された基準マグネトメータを更に備える、請求項１又は請求項２に記載のセンサ。
【請求項5】
前記マグネトメータは、前記複合磁性材料に対して一定の位置に配置されている、請求項１に記載のセンサ。
【請求項6】
前記マグネトメータは、前記複合磁性材料の変形に応じて、前記複合磁性材料に対して実質的に一定の位置に留まるように構成されている、請求項１に記載のセンサ。
【請求項7】
前記複合磁性材料は前記マグネトメータに接触している、請求項１又は請求項２に記載のセンサ。
【請求項8】
前記マグネトメータは３軸マグネトメータである、請求項１に記載のセンサ。
【請求項9】
前記複数の磁性粒子は２００μｍ以下である、請求項１又は請求項２に記載のセンサ。
【請求項10】
前記複数の磁性粒子は、実質的に均一な磁気配向を有している、請求項１又は請求項２に記載のセンサ。
【請求項11】
前記複数の磁性粒子は、実質的に不均一な磁気配向を有している、請求項１又は請求項２に記載のセンサ。
【請求項12】
前記複数の磁性粒子は、前記変形可能材料全体に実質的に不均一に分布している、請求項１に記載のセンサ。
【請求項13】
前記複合磁性材料は実質的に伸縮可能である、請求項１又は請求項２に記載のセンサ。
【請求項14】
前記複合磁性材料は、前記変形可能材料の材料特性を保持している、請求項１又は請求項２に記載のセンサ。
【請求項15】
前記マグネトメータに接続された伸縮可能なマグネトメータ回路を更に備える、請求項１又は請求項２に記載のセンサ。
【請求項16】
前記伸縮可能なマグネトメータ回路は、前記複合磁性材料の一部として形成されている、請求項１５に記載のセンサ。
【請求項17】
前記複合磁性材料の磁場の変化は変形に応じて生じ、前記変形により、前記複数の磁性粒子のうちの少なくとも１つは、前記マグネトメータに対する相対位置を変化させる、請求項１又は請求項２に記載のセンサ。
【請求項18】
柔らかい磁性材料を含む物体を位置決定する方法であって、前記磁性材料の測定可能な磁場の範囲内にマグネトメータを通過させる工程と、
最大磁場の測定値を決定して前記磁場の中心軸を位置決定する工程と、
前記マグネトメータを前記中心軸に揃える工程と、
前述のステップを繰り返して二番目の軸を求める工程と、
測定された磁場の強さと前記磁性材料の表面における計算された磁場の強さとの差に基づいて、前記物体の表面と前記マグネトメータとの間の距離を決定する工程と、
を含む方法。
【請求項19】
位置又は接触力を決定するために軟らかい触覚センサを使用する方法において、マグネトメータからの信号を受信する工程であって、前記信号は、エラストマーと前記エラストマー内に分散された複数の磁性粒子とを含む磁性材料から発せられる磁場の測定値を含む、工程と、
前記信号を較正する工程と、
前記信号を変換する工程と、
前記信号をフィルタリングする工程と、
ニューラルネットワークへの入力のために前記信号をスケーリングするステップと、
ニューラルネットワークを使って位置又は接触力を得る工程と、
を含む、方法。
【請求項20】
前記信号をフィルタリングする工程は、基準マグネトメータからのバックグラウンド信号を用いて、前記信号から動き及び環境ノイズを除去する工程
を含む、請求項１９に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
＜関連出願の相互参照＞
本願は、２０１９年６月２１日に出願された仮出願第６２／８６４，７６６について、３５ Ｕ．Ｓ．Ｃ．１１９条に基づく利益を主張するものであり、当該仮出願は、参照により本明細書の一部となる。
本願は、２０１９年６月２１日に出願された仮出願第６２／８６４，７６６について、３５ Ｕ．Ｓ．Ｃ．１１９条に基づく利益を主張するものであり、当該仮出願は、参照により本明細書の一部となる。
【0002】
＜連邦政府支援の研究に関する声明＞
本発明は、米国海軍研究局が与えたＮ０００１４－１６－１－２３０１に基づく政府支援を使ってなされた。政府は、発明に対して何らかの権利を有している。
本発明は、米国海軍研究局が与えたＮ０００１４－１６－１－２３０１に基づく政府支援を使ってなされた。政府は、発明に対して何らかの権利を有している。
【0003】
本開示の技術は概してセンシングに関している。より具体的には、本発明は、磁性材料の変形を利用してその環境についてのフィードバックを提供するソフトセンシングに関する。
【背景技術】
【0004】
ウェアラブル技術、ソフトロボティクス、ヒューマンロボットインタラクションなどにおける継続中の開発において、センサへの関心が高まっている。これらの技術では、物体の位置決定における不正確さが、特定の機能を実行する能力に影響を与える可能性がある。例えば、ロボットシステムでは、不正確さは、ロボットがツールなどの物体を見つけてそれを操作することを妨げる。視覚ベースセンシングは、作業現場で物体を見つけることには優れているが、対象物から１乃至２ｃｍよりも近づくと誘導ができない。また、視覚ベースシステムは、カメラが遮られている、或いは、表面が反射する又は透明である場合には、うまく機能しない。
【0005】
視覚ベースシステムの限界を克服するために、触覚センサは、接触力を測定することによって環境に関する重要な情報を提供する。触覚センサは、接触に基づいていることから、物体に接触した後に情報を提供するだけで対象物への接近を助けるものではない。ソフト触覚センサは、触覚センサのサブクラスであって、変形可能でコンプライアントな材料を相互作用面に採用している。ソフトセンサは、豊富な環境情報を提供するだけでなく、ロボット操作、ヒューマンロボットインタラクションや材料分類を成功させるような効果的な機械的特性を与える。ソフト触覚センサは、光学式、抵抗式、静電容量式などの様々な伝達モードを用い得る。ソフト触覚センサは、視覚ベースセンサよりも高い精度を得たらすが、ノンスケーラブルな製造技術、カスタマイズ性の欠如、複雑な統合要件などの理由に起因してソフトセンサの普及は制限されている。例えば、抵抗式又は静電容量式ソフトセンサでは、各ユニットの密度が高くなると、配線のスケーリングを手に負えなくし、また、軟質－硬質の弱い電気的界面での故障に繋がる。加えて、他の触覚センサと同様に、ソフト触覚センサは、物体に接することでのみ情報をもたらす。
【0006】
磁気センシングは、直接的な電気配線への依存が限定されており、磁束又は電磁誘導の何れかの変化を測定することで高分解能で高速なセンシングを提供することから、上記の障害の幾つかを克服する。更に、幾つかの用途では、磁気センシングは、接触する前にセンサ出力をもたらす。他の種類のセンサに比べて優れているものの、磁気センサは環境磁気ノイズの影響を受けやすい。更に、ソフトセンサとして実装すると、硬い磁石とセンサに使用される軟質のエラストマーとの接合部で材料の破損が発生する可能性があることから、この技術は非ソフトセンシング用途に限定されている。例えば、一般的な磁気センサは、ホール効果センシングチップと、２つのエラストマー層の間に浮いた別個の永久磁石とを組み合わせたものである。従って、これらの制限を克服して、シングルポイントでの接触位置特定のための触覚面をもたらして、自由空間における迅速な位置特定と力推定とをもたらすセンシングシステムを開発することは有利であろう。
【発明の概要】
【0007】
詳細な説明に開示される態様は、磁性材料の変形を検知するソフトセンサ及び方法と、その製造方法とを含んでいる。関連する方法及びシステムも開示されている。
【0008】
少なくとも１つの非限定的な実施形態では、ランダムに分散された磁性微粒子を含む軟質材料と、連続した領域にわたって力を推定し、接触場所を特定することができるマグネトメータとを含む軟質磁気センサである。ある実施例では、センサは、約１５乃至４０ｍｍ２の連続領域をカバーする。本明細書で説明される幾つかの実施形態では、マグネトメータの出力をデータ解析する集積回路を使用して、力と局所的な接触とが推定される。幾つかの実施形態では、磁性材料、即ち「スキン」は、磁性微粒子が加えられたシリコーンエラストマーで構成されている。エラストマーが変形すると、埋め込まれた磁性粒子の一部がマグネトメータに対して位置及び／又は向きを変える結果、正味の測定磁場に変化が起こる。ある実施形態では、マグネトメータが磁性材料に埋め込まれて、統合されたセンサが形成されてよい。別の実施形態では、磁性材料とマグネトメータとは別々にされている。マグネトメータが受け取った磁場データが解析されて、力と接触位置特定とに役立つ情報が提供される。マグネトメータの出力を解析する分類アルゴリズムは、９８％を超える精度で圧力の位置を特定することができる。幾つかの実施形態では、回帰アルゴリズムは、平均して約３ｍｍ２の領域に圧力を限定することができる。この点において、センシングスキンなどの磁性材料の変形を検知するシステム及び方法は、ロボット操作、ソフトシステム、ウェアラブルなどの分野で使用され、製造が簡単で、素早く組み合わせることができ、情報が豊富なセンサへの要求の高まりに対応することができる。
【図面の簡単な説明】
【0009】
【0010】
【0011】
【0012】
【0013】
【0014】
【0015】
【0016】
【0017】
【0018】
【0019】
【発明を実施するための形態】
【0020】
ある例示的な実施形態では、センサ１００は、磁性材料１０１と、磁性材料１０１の変形によって生じる磁性材料１０１の磁場の変化を感知することができるマグネトメータ１０２とを備える。図１Ａ及び図１Ｂに示す例示的な実施形態では、センサ１００は、軟質エラストマー１０３で覆われており、固定された伸縮可能な３軸マグネトメータ１０２を有する触感スキンとして実装されている。軟質エラストマー１０３に分散した磁性微粒子１０４が埋め込こまれることで、磁性材料１０１が形成されている。複合磁性材料１０１は、ホストエラストマー１０３の延伸性及び柔軟性を保持しており、ストレッチャブル回路に適合し得る。代替的な実施形態では、複数のマグネトメータ１０２が使用されてよい（図１Ｃ及び図１Ｄ参照）。センサ１００の表面が変形すると、磁性微粒子１０４は、マグネトメータ１０２の相対的に静止している位置に対して変位する（図１Ｅ参照）。マグネトメータ１０２は、周囲の磁場の変化を測定し、そのデータを分析して、接触の位置及び力を決定する。マグネトメータ１０２は、その周囲の磁場をx方向、y方向、z方向に測定する。磁性材料１０１を通して分布する複数の磁性微粒子１０４は、材料１０１の変形に関する情報を保存するために最終的に３軸の磁場測定値に還元される入力データを表現する。また、形態学的計算が、材料１０１自体の固有の次元削減を通じて活用されてよい。例えば、センサ１００は、形態学的計算特性を利用して、出力の次元を分析前に本質的に低減することができ、それにより、下にあるマイクロエレクトロニクスチップと配線の高密度なアレイが不要になる。
【0021】
別個に設けられる永久磁石などの従来の磁石とは異なり、磁性材料１０１の全体的な磁場の強さは小さくなっている。しかしながら、信号の大きさは、センサ１００の表面の接触位置を特定し、力を推定するのに十分な大きさを保っている。更に、エラストマー１０３に微粒子１０４を混ぜることで、形状、大きさ、又は厚さの制限がほとんどないセンサ１００が得られる。また、一部の磁気センサと異なり多層モールド工程を必要としないことから製造が容易である。
【0022】
再び図１Ｃ及び図１Ｄを参照すると、複数のマグネトメータ１０２を有するセンサ１００が示されており、１つのマグネトメータ１０２は、基準マグネトメータ１０５として特定される。図１Ｃ及び図１Ｄに示す実施形態では、５つのマグネトメータ１０２が磁性材料１０１に隣接して配置されており、基準マグネトメータ１０５は磁性材料１０１から離して配置されている。この特定の実施例では、５つのマグネトメータ１０２は１５ｍｍ離間して配置されており、これは、磁性材料１０１の信号が最も近いマグネトメータ１０２によってもはや検出できなくなる前の範囲である。機能表面をできるだけ大きくしてマグネトメータ１０２の必要数をできるだけ少なくするために、１５ｍｍの範囲の各々は、他のマグネトメータの範囲と２．５ｍｍだけ重なっている。基準マグネトメータ１０５は、磁性材料１０１とは異なる磁気信号（即ち、環境磁気ノイズ）を測定するリファレンスとして用いられる。複数のマグネトメータ１０２と独立した基準マグネトメータ１０５とにより、センサ１００は、環境磁気ノイズと動きをフィルタリング可能となり、システムの増加した非線形性を処理するために出力のデータ分析を組み込むことができる。別の言い方をすれば、基準マグネトメータ１０５からの信号と主たるマグネトメータ１０２を組み合わせることで、磁性材料１０１の変形による磁束の変化を取り出すことができる。磁束信号が評価されて、力及び位置がリアルタイムに推定される。
【0023】
図１Ｃ及び図１Ｄに描かれた例示的実施形態では、信号は、学習済みニューラルネットワークによって評価され、センサ１００への接触の力と位置の推定値を提供することができる。図１Ｆは、接触位置特定及び力推定のための前処理の概要を示す。これらの前処理ステップでは、マグネトメータの生値が個別に較正され、基準信号から変換され、フィルタリングされ、ニューラルネットワークの入力用にスケーリングされる。
【0024】
更に詳細には、ある実施形態では、信号処理は、ニューラルネットワーク入力を生のマグネトメータデータに限定する一方で、較正と前処理とを組み合わせて必要なデータ収集の量を最小限に抑える。各マグネトメータ１０２は、周囲の磁場に関する３軸データを出力する。図１及び図２に示す実施形態では、６つのマグネトメータ１０２，１０５が存在しており、各サンプルについて合計１８個のデータポイントがある。事前に較正されたマグネトメータ１０２，１０５（オフセットとスケーリングを提供する）について、これらのパラメータは、信号を個別に較正するために生データに適用される。オフセットは、各方向の信号の最大値と最小値の間の平均によって決定される。スケールは、３方向全ての平均コード距離を各方向の平均コード長で割ることで求めることができる。次に、基準マグネトメータ１０５のアフィン変換が５つのマグネトメータ１０２に適用される。基準マグネトメータ１０５が他のマグネトメータ１０２に対して不動である場合、この変換は、位置及び環境ノイズに起因した動きと環境ノイズの除去を可能にする。ノイズ除去により、データ収集を１つの平面で行うことができる。データは、較正及びフィルタリングされると、平均値を除去してトレーニングデータから求めた単位分散にスケーリングすることで、ニューラルネットの入力用に準備される。このシステムは、有用な情報をもたらす一方で、複数のマグネトメータ１０２，１０５のシステムに存在する更なるノイズの影響を受けやすくなる。そのため、ＭＬＰＲｅｇｒｅｓｓｏｒを使用してサイキット（sklearn）に実装された多層パーセプトロンが使用され得る。
【0025】
大きな硬質の磁石を使用する従来の技術とは対照的に、磁気Ｎｅ－Ｆｅ－Ｂの微粒子又はナノ粒子を含み得る磁性微粒子１０４の直径は、約２００μｍの又はそれより小さいオーダーである。しかしながら、複合磁性材料１０１が伸縮性又は柔軟性のレベルを維持する限り、意図した用途に応じてサイズや形状が異なる粒子１０４が使用されてよい。意図した用途と磁性粒子１０４の量とに応じて、複合磁性材料１０１は、複合材料１０１の作製に使用されたエラストマー１０３と同じ又は類似の特性を有してよい。また、マイクロスケールの磁性粒子１０４を使用することで、磁性材料１０１に機械的な負荷が加わる場合における内部応力集中の強度を低減することができ、更に、材料１０１を柔軟及び／又は伸縮可能にすることができる。例えば、大型の磁石がエラストマーに埋め込まれる場合には、機械的な負荷が加わると、硬い磁石と柔らかいエラストマーの界面で、２つの材料のコンプライアンスの違いに起因して剥離が発生し得る。更に、このような実施形態では、薄い及び／又はシャープな３Ｄのジオメトリを含むジオメトリを実現できる。
【0026】
ある実施形態では、センサ１００は以下の製造工程で作られる（図８参照）。最初に、シリコーンエラストマー１０３に磁性微粒子１０４を混ぜて、磁場下で複合材料を硬化させることで、磁性材料１０１を機能化する。この材料が磁場中で硬化されると、磁性微粒子１０４は、硬化したエラストマー１０３中に固定される前に整列して、磁性微粒子１０４の均質な磁気配向が作り出される。代替的な実施形態では、不均一な磁気配向が使用される。更なる例を挙げると、プレポリマーと架橋剤とを１：１の比で約３０秒間、せん断混合してよい。硬化したエラストマー混合物は、磁性粒子１０４（ＭＱＰ－１５－１２；Ｍａｇｎｅｑｕｅｎｃｈ）と１：１の重量比で手で混合されて、磁性材料１０１を形成することができる。続いて、未硬化の磁性材料１０１はモールドに流し込まれて、５分間脱気されてよい。薄いプラスチックフィルムがモールドの上に置かれて、余分な材料１０１が絞り出されてよい。次に、モールドが充填されて、永久磁石（Ｎ４８；Ａｐｐｌｉｅｄ Ｍａｇｎｅｔｓ）の表面に逆さまにして配置される。その後、材料１０１が室温で硬化されて、１時間でモールドから取り出される。最後に、磁性材料１０１は、市販のマグネトメータ１０２基板（ＭＬＸ９０３９３；Ｓｐａｒｋｆｕｎ社製など）の上面に接着されてよい（Ｓｉｌｐｏｘｙ；Ｓｍｏｏｔｈ－Ｏｎ）。代替的な実施形態では、エラストマー１０３としてウレタンフォームが使用されるが、当業者であれば、幾つかのタイプのエラストマー１０３が使用できることは理解できるであろう。更に別の代替的実施形態では、ポリマー以外の変形可能な材料が、複合磁性材料１０１の基板として使用されてよい。
【0027】
ストレッチャブル回路１０６の設計及び製造に関して、ストレッチャブル回路１０６は、マグネトメータ１０２（ＭＬＸ９０３９３；Ｍｅｌｅｘｉｓ）及び５つの出力線を含んでよい（図１Ｂ）。追加の出力線は第２の３．３ボルトのライン用とされてよく、これは、ストレッチャブル回路１０６の単層設計のために有用であり得る。銅とクロムの薄膜がＰＤＭＳ（Ｓｙｌｇａｒｄ １８４；Ｄｏｗ Ｃｏｒｎｉｎｇ）の表面にスパッタリングされて、レーザーでパターニングされて回路トレースが残る。共晶ガリウムインジウム（ＥＧａＩｎ）は、ＮａＯＨの浴中に浸されると残った銅のトレースに選択的に濡れる。その後、回路コンポーネント１０６が液体金属トレース上に直接置かれて、追加のＰＤＭＳ層で封止されてよい。
【0028】
例えば、このように構成されたセンサ１００は、磁性材料１０１の変形と、マグネトメータ１０２が感知する磁性材料１０１から発せられる磁場の変化とに起因した圧力データなどのデータを収集することができる。幾つかの実施形態では、磁性材料１０１内の粒子１０４の不均一な分布が固有の磁場を形成することができることから、データドリブン技術を使用して、磁性材料１０１で発生している変形の位置を区分して、そのような変形の深さを推定することができる。特に、３つの離散的な深さを有する３ｍｍの分解能の５×５グリッドと５ｍｍの放射状の円の両方について、９８％の精度で位置を区分することができる。回帰アルゴリズムは、３ｍｍ２の領域に接触を限定することができる。この点に関して、本明細書で開示されている幾つかの実施形態は、製造が簡単で、素早く組み合わせでき、適応可能なジオメトリを備えた、連続的で柔らかい触覚面の要請に対応するアプローチを提供する。
【0029】
位置検出のデモンストレーションとして、５×５グリッドで構成された実施形態では、力と磁場の変化が、３ｍｍの分解能の５×５グリッド上で３ｍｍの深さまでで合計２５個のクラスで収集された（図２Ａ参照）。これらの２５箇所の位置で２７５０の接触サンプルが均一なランダム分布を用いて収集された。各クラス（全２５個）には、夫々約１００個のサンプルが含まれる。
【0030】
以下に示すように、幾つかの異なる分類アルゴリズムは、２５箇所の位置を正確に区別することができた。これに関して、二次判別分析（ＱＤＡ）を使用した分類結果が、パフォーマンスの様々な側面を説明するために説明される。誤分類の場合、予測されたクラスは真の位置に隣接している（図２Ｂ－位置１３のＱＤＡ分類を参照）。全ての位置の分類精度を図２Ｃに示す（クラスでグループ化された全ＱＤＡ分類結果）。図２Ｄ及び図２Ｅは夫々、ｘ、ｙ位置については位置でグループ化された線形回帰による平均絶対誤差を、力についてはＫＮＮ回帰による平均絶対誤差を示している。
【0031】
位置を推定するために、２５個の離散的な位置はそれらの座標位置に変換された。５×５グリッドと線形回帰の実験では、ｘ位置の平均誤差は１．１ｍｍであり、ｙ位置の平均誤差は３．８ｍｍである。センサ１００の縁付近の出力推定値は、精度が低く、標準偏差が高くなることがある。磁気信号と距離の関係とが１／ｄ３であることから、信号の質は距離とともに低下することが予想できる。縁に沿ったこれらのポイントでは、粒子のランダムな分布が、加えられた変形よりも出力信号に大きな影響を与え始めることがある。これは、通常とは異なる信号の変化を引き起こす可能性があり、ある非限定的な実施形態では、関数フィッティングアプローチではなく、データドリブン技術がより有用である理由となり得る。
【0032】
位置と深さの検知のデモンストレーションとして、円形センサ１００で構成される実施形態について、８つの異なるＸＹ位置と３つの異なる深さ（ｄＺ＝１，２，ｏｒ ３ｍｍ）について、磁場の力制御（force-controlled）変化を測定した（図３Ａ参照）。これらの２４箇所のＸＹＺ位置について２８５０個の接触サンプルが均一なランダム分布を用いて収集された。各クラス（全２４個）は夫々約１１０個のサンプルを有していた。ここに示すように、二次判別分析（ＱＤＡ）を使用して、ＸＹ位置と深さの両方に基づいて位置を分類することができる。予測されたクラスが間違っている場合は、隣接するクラスとして予測できる（図３Ｂ－位置３及び深さ１ｍｍのＱＤＡ分類結果を参照）。隣接する位置間の誤分類は、隣接する深さよりも多いことがある。ｚ軸方向の磁場と圧力との大きな相関関係が用いられて、深さを区別することができる。全ての試験位置が５×５の実験よりもマグネトメータ１０２に近いことから、微粒子１０４からの同じ導入ノイズが観察されない、又は存在しない可能性がある。全ての場所について分類精度を図３Ｃに示す。一般に、加えた圧力が小さい（深さ＝１）と、信号の変化が小さくなって、精度は低下する。このサンプルでは、位置３及び深さ１の分類精度が低かった。これは、図３Ｄ（ｘ座標の位置ごとに分類した線形回帰出力からの平均絶対誤差）及び図３Ｅ（ｙ座標）の位置２、３、及び４の誤差が大きいことからもわかるように、位置ずれの組合せで右側の信号が小さくなったことが原因と考えられる。図３Ｆはｚ位置について平均絶対誤差を示しており、図３Ｇは、力の位置でグループ化したＫＮＮ回帰による平均絶対誤差を示す。
【0033】
上記のデモンストレーションを引き続き参照すると、２４個のクラスは、位置推定のためにそれらの真の（ｘ、ｙ、ｚ）座標に変換された。８点円及び線形回帰の場合、ｘ座標の平均絶対誤差は１．２ｍｍであり、ｙ位置の平均絶対誤差は全てのクラスで３．４ｍｍであった。ｘ座標とｙ座標の誤差の違いは、この試験での小さな位置合わせ不良を示唆しており、これはまた、図３Ｄ及び図３Ｅの位置での誤差の変化に示されている可能性がある。ｚ位置の誤差は比較的小さいが（０．０３ｍｍ）、これは深さ１ｍｍの変化に伴う信号の変化が大きいためと考えられる（図３Ｆ）。
【0034】
力の推定には、時系列データとｋ最近傍（ＫＮＮ）回帰を用いることができる。入力は、各時間ステップにおける磁場のＢｘ、Ｂｙ、Ｂｚ成分、マグネトメータの内部温度Ｂｔ、及びロードセルの出力であってよい。５×５グリッドのデモンストレーションでは，力の推定値の平均誤差は０．４４Ｎであった（図２Ｆ）。８点の円については、力の推定値の平均誤差は約０．２５Ｎであった（図３Ｇ）。磁場のｘ軸成分と圧力の相関が最も強く、力の推定を比較的正確にした。しかしながら、良好な信号変化は変形量に依存し得る。それ故に、磁性材料１０１に使用するエラストマー１０３のヤング率が高ければ、力の分解能を高くできるであろう。両方の試験で加えられた力の範囲は約０乃至２．５Ｎであって、最大深さは３ｍｍに制限されていた。
【0035】
センサ１００の機能のデモンストレーションとして、図４Ａにシンプルな４方向キーのゲームパッドが示されている。図４Ａに示されているように、センサ１００の表面には４つのアクリル製の矢印が貼り付けられており、方向コマンドを入力するために圧力をかける位置をユーザーが特定できるようになっている。４つのコマンドは、磁場のＸ、Ｙ、Ｚ成分の変化によって識別できる。この例では分類器は使用されておらず、ボタンの間隔が十分に空いている場合、単純な閾値処理で十分であることがわかっている。Ｘ及びＹの正負の変化は、キーボードの４つの矢印キーにマッピングされて、ウェブブラウザでＭｓ．Ｐａｃ－Ｍａｎをプレイすることができる。また、図４Ａには、ゲームの各方向のデータ例が示されている。
【0036】
５×５グリッド分類器の速度及び精度を実証するために，図４Ｂに示すように，ロボット制御の円筒圧子を用いてマインスイーパの短いゲームを行った。２５個のグリッドの各位置は、画面上のマウス位置にマッピングされている。信号の長さ（つまり、加えられた圧力の持続時間）は、ユーザーが升を表示するために左クリックするか、フラグを配置するために右クリックするかを示す。信号が休止状態に戻った直後に、ＱＤＡ分類器が用いられて位置が予測されて、適切なアクションが実行される。生データ及び分類結果が図４Ｂに示されている。
【0037】
センサ１００は伸縮可能で柔軟であることから、既存のストレッチャブル回路技術と組み合わせることができる。４つのキーパッドと同様に、４つのキーボードコマンド（ｃｔｒｌ＋ｌｅｆｔ，ｃｔｒｌ＋ｒｉｇｈｔ，ｃｔｒｌ＋ｕｐ，ｃｔｒｌ＋ｄｏｗｎ）を４つの位置（ｐｒｅｖｉｏｕｓ，ｎｅｘｔ，ｖｏｌｕｍｅ ｕｐ，ｖｏｌｕｍｅ ｄｏｗｎ）にベクトル閾値を介してマッピングして、音楽のプレイリストを閲覧した（Ｆｉｇ．４Ｃ）。アクリルの矢印がないと、ユーザー入力が位置によって異なり、データのノイズが大きくなることがある。加えて、ユーザーの手や肌が、磁気スキンと一緒に変形することもある。これらの要因の両方は更なるノイズに寄与するが、システムは、接触の象限を決定するために、約４つの基本的な閾値で機能して接触の象限を決定することができる。
【0038】
更なる実施形態では、センサ１００又は磁性材料１０１の製造プロセスを調整することと、トレーニング手順を変更することと、又は、更なるマグネトメータ１０２を追加することとによって、力及び接触位置の範囲及び解像度を向上させることができる。本明細書で説明されるセンサ１００は、ソフトロボティクス、医療機器、マニピュレーション、触覚面のような用途に使用することができる。更に、幾つかの非限定的な実施形態では、センサ１００はホストシステムの形状に合わせてモールドされて、所定の機械的負荷又は変形に応答するように磁気的にプログラムすることができる。
【0039】
本明細書で説明される幾つかの実施形態に関して、時系列データは、一組の代表特徴量として表される。更に、２１個の特徴量は、自動化特徴選択方法の代わりに、手動で特定された。２１個の特徴量は、サンプルの各軸の最小値、最大値、平均値、標準偏差、中央値、合計値（１８個の特徴）と、３軸間のスカラー比（３つの特徴）を含む。接触終了時に、接触時間中に収集したデータから特徴量が算出されて、分類結果と回帰結果が即座に出力された。このように、本明細書で述べられているように、ランダムに分散した磁性粒子１０４の変形によって、再現性のある分離可能な信号を作り出すことができる。
【0040】
マグネトメータ１０２から受け取ったデータを解析する場合、磁場強度は、逆３乗の関係でマグネトメータ１０２までの距離に応じて減衰するとして推定される。
Ｂｍａｇ ＝ Ｂｅｌａｓｔｏｍｅｒ／ｒ３
Ｂｍａｇ ＝ Ｂｅｌａｓｔｏｍｅｒ／ｒ３
【0041】
手法に関しては、Ｐｙｔｈｏｎ ｓｃｉｋｉｔ－ｌｅａｒｎツールキットの分類アルゴリズムが評価された（利用可能な全ての分類アルゴリズムと実装の詳細の完全な比較については、図５を参照）。その結果、比較的小さなデータセットを用いて複数のクラスをうまく区別できる一方で、パラメータの調整が低減される。大がかりなハイパーパラメータの調整を必要としない教師付き学習アルゴリズムが使用され、これは、マルチクラス分類に適していた。
【0042】
この点について、以下の分類アルゴリズムが使用された。
・ＬＤＡ：線形判別分析は、各クラスが平均と同じ共分散と有する多変量ガウス密度であるという仮定のもとで、線形決定境界を見つけることを目的とした分類器である。我々は、特異値分解（ＳＶＤ）を使用し、収縮、事前分布、又は次元削減は使用しなかった。
・ＱＤＡ：同様に、二次判別分析は、各クラス間の二次決定境界を見つけることを目的とした分類器である。各クラスはガウス密度としてモデル化され、出力予測はベイズの法則を最大化するクラスである。ＬＤＡとの大きな違いは、ＱＤＡは各クラスが同じ共分散行列を持っていると仮定していないことである。
・ＫＮＮ：Ｋ最近傍は、ある距離指標によって最も近いｋ個のサンプルを使って新しい入力を分類する。これは、データをクラスタリングするためによく使われる手法である。均一な重み、マンハッタン距離（ｌ１ノルム）、及びｋ＝５が、本明細書で説明される幾つかの実験で使用された。
・ＲＦ：ランダムフォレスト分類器は、データセットのサブサンプルに決定木をフィッティングする。データセットをランダムに分割することによって、分類器はこのサブセットの中から最適な特徴を選択する。
・ＤＴ：決定木（ＤＴ）分類器は二分木を作成し、最大の情報を保持する特徴に基づいてノードを分割する。本明細書で説明される態様では、決定木は、ＣＡＲＴ（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ａｎｄ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ）アルゴリズムを用いて使用された。
・ＧＢ：勾配ブースティング（ＧＢ）は，指定された損失関数の勾配にｎ本の回帰木を適合させるアンサンブル分類器である。ここで説明する幾つかの態様では、１００個の推定量、逸脱損失、学習率０．１が使用された。
・ＬＤＡ：線形判別分析は、各クラスが平均と同じ共分散と有する多変量ガウス密度であるという仮定のもとで、線形決定境界を見つけることを目的とした分類器である。我々は、特異値分解（ＳＶＤ）を使用し、収縮、事前分布、又は次元削減は使用しなかった。
・ＱＤＡ：同様に、二次判別分析は、各クラス間の二次決定境界を見つけることを目的とした分類器である。各クラスはガウス密度としてモデル化され、出力予測はベイズの法則を最大化するクラスである。ＬＤＡとの大きな違いは、ＱＤＡは各クラスが同じ共分散行列を持っていると仮定していないことである。
・ＫＮＮ：Ｋ最近傍は、ある距離指標によって最も近いｋ個のサンプルを使って新しい入力を分類する。これは、データをクラスタリングするためによく使われる手法である。均一な重み、マンハッタン距離（ｌ１ノルム）、及びｋ＝５が、本明細書で説明される幾つかの実験で使用された。
・ＲＦ：ランダムフォレスト分類器は、データセットのサブサンプルに決定木をフィッティングする。データセットをランダムに分割することによって、分類器はこのサブセットの中から最適な特徴を選択する。
・ＤＴ：決定木（ＤＴ）分類器は二分木を作成し、最大の情報を保持する特徴に基づいてノードを分割する。本明細書で説明される態様では、決定木は、ＣＡＲＴ（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ａｎｄ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ）アルゴリズムを用いて使用された。
・ＧＢ：勾配ブースティング（ＧＢ）は，指定された損失関数の勾配にｎ本の回帰木を適合させるアンサンブル分類器である。ここで説明する幾つかの態様では、１００個の推定量、逸脱損失、学習率０．１が使用された。
【0043】
回帰アルゴリズムについては、以下の回帰アルゴリズムが選択されてＸＹ座標位置が推定された。上述の幾つかの態様を参照すると、回帰アルゴリズムの一部は、先の分類で得られた同じ特徴及びサンプルを用いて学習されていた（図６参照）。
・ＬＲ：線形回帰は、残差平方和を最小にする一方で、特徴量を係数として用いて直線をフィッティングする。
・ＳＶＲ：サポートベクトル回帰は、指定されたソフトマージンεを最小化することで、カーネル関数をフィッティングする。このε境界内の誤差はゼロとみなされて、この境界から始まってＬ１損失が計算される。ここで紹介する幾つかのケースでは、ε＝０．１及びｒｂｆカーネルが使用された。
・ＤＴＲ：決定木回帰器は、決定木を構築して情報の最大化に基づいてノードを分割することにより、決定木分類と同じ原則に従う。この回帰器では、しかしながら、出力は連続的である。
・ＫＮＮ回帰器：ＫＮＮ回帰器は、連続的な距離関数の加重平均を用いて、ＫＮＮ分類方式を連続的な出力に拡張する。
・ＬＲ：線形回帰は、残差平方和を最小にする一方で、特徴量を係数として用いて直線をフィッティングする。
・ＳＶＲ：サポートベクトル回帰は、指定されたソフトマージンεを最小化することで、カーネル関数をフィッティングする。このε境界内の誤差はゼロとみなされて、この境界から始まってＬ１損失が計算される。ここで紹介する幾つかのケースでは、ε＝０．１及びｒｂｆカーネルが使用された。
・ＤＴＲ：決定木回帰器は、決定木を構築して情報の最大化に基づいてノードを分割することにより、決定木分類と同じ原則に従う。この回帰器では、しかしながら、出力は連続的である。
・ＫＮＮ回帰器：ＫＮＮ回帰器は、連続的な距離関数の加重平均を用いて、ＫＮＮ分類方式を連続的な出力に拡張する。
【0044】
本明細書で述べた５×５グリッドのデモンストレーションでは、幾つかのアルゴリズムは９８％の精度で２５個のクラスを区別することができる。特に、ＱＤＡは、この精度を達成するために、他のアルゴリズムと比較してより多くのサンプルを必要とする。これは、最初の１０００個のサンプルが特徴の分散を捉えていないことに起因している可能性がある。ＬＤＡによる分類の精度は、サンプルサイズが大きくなるにつれて低下する。このことは、サンプルが増えるとノイズが増えるために特徴量が線形分離できなくなることを意味している可能性がある。これらの特徴の空間を増やして、より線形分離できるようにする可能性があるかもしれない。
【0045】
８点円のデモンストレーションでは、幾つかのアルゴリズムは、２４個のクラスを区別することができる。概ね、決定木ベースのアプローチは良い結果をもたらす。５×５グリッドの結果と同様に、ＱＤＡは、ＣＡＲＴ、ＲＦ及びＧＢｏｏｓｔのアプローチと同等の性能を得るまでにより多くのサンプルを必要とする。ＫＮＮもまたこれらのケースでは良い結果を出した。このことは、ｚ方向の磁場がクラス［０，７］、［８，１５］、及び［１６，２３］を大きく分けていることに起因しているかもしれない。これにより、クラスターは、既に問題を８つのオプションにまで素早く減らすことができる。円の半径が５×５グリッドよりも小さいことから、同じノイズは、前述の材料の粒子分布からは見られない。
【0046】
線形回帰アルゴリズム（ｌｉｎｅａｒ、ｒｉｄｇｅ、ｌａｓｓｏ、ｅｌａｓｔｉｃ）は全て、連続した出力を有しており、Ｘ位置を約１．１ｍｍの平均誤差で、Ｙ位置を約２．５ｍｍの平均誤差で推定することができる。ＫＮＮ及びＤＴの結果は、データ入力の準離散的な性質の影響を受けて、準離散的な出力につながる可能性がある。しかしながら、表面全体を連続的にサンプリングしてもよい。
【0047】
５×５グリッドの生ベクトルについて、マグネトメータ１０２は、出力ベクトルの大きさ及び方向によって決定することができる内部座標フレームを有してよい。例えば、マグネトメータ１０２のｘ軸が図６にて横切っており、出力は負から正に変化し得る。信号の周りの各象限は、それらの位置に基づいて正しい符号を反映することができ、信号の大きさは、マグネトメータ１０２からの距離とともに減少する。しかしながら、このパターンからの幾つかの不一致が、グリッド実験の端に現れる可能性がある。
【0048】
図７では、１０ｍｍ／ｍｉｎで２５箇所に３ｍｍのへこみをつけた場合におけるグリッドパターンの各位置について、最大のＢｘ及びＢｔのベクトルがプロットされている。図７では、不一致にはアスタリスクが付けられている。内側の９つの位置信号は端に比べて非常に大きく、完全なベクトルはフレームに表示されないことに留意のこと。しかしながら、内側の９つの位置は、マグネトメータ１０２のｘ軸成分及びｙ軸成分の予想される符号に従うことは明らかである。具体的には、Ｘベクトルは、Ｙ軸を横切る際に左から右へ（正、負、負）のパターンに従う。同様に、Ｙベクトルは、ｘ軸を横切る際に上から下へと（負、正、正）のパターンに従う。これらのパターンは、近似理論から予想され、それに基づいている。
【0049】
端の場合は少し異なっている。例えば、位置１５と位置２０のＸベクトル（赤）について考えてみる。それらはｘ軸の負の側にあって、中央の９つの位置で示されているが、信号は正である。この矛盾は、端の位置でのみ現れる。これは、サンプルの不均一性が、マグネトメータ１０２から離れたこの距離で加えられた変形に勝ったためと考えられる。逆３乗則により、信号は距離とともに非常に速く減衰する可能性がある。言い換えると、圧子の下での凝集粒子の変位は、バルク変位よりも正味の磁場変化に大きな影響を与える可能性がある。同様の効果は、位置２０と位置２４のＹベクトル（緑）で見ることができ、ここでは、信号は正であるべきだが、相対的に小さく負である。これらの比較的予測不可能な不一致は、モデルベースの手法ではなくデータドリブン技術の使用を動機付ける可能性がある。
【0050】
その他の非限定的な実施形態では、マグネトメータ１０２は、動作中に複合磁性材料１０１に対して相対的に移動している間に、複合磁性材料１０１の変形を感知するように構成されてよい。例えば、少なくとも１つの非限定的な実施形態では、複合磁性材料１０１はロボットアームのグリッパ又はハンドに配置される一方で、マグネトメータ１０２はロボットアームの別の部分、例えば、肘、肩、ベースなどの他の位置に配置されてよい。そのような例示的な実施形態の動作中、グリッパ又はハンドが、マグネトメータ１０２を含む特徴を含むロボットアームの他の特徴と同時に移動することで、複合磁性材料１０１とマグネトメータ１０２の両方が互いに相対的に移動してよい。この点において、マグネトメータ１０２は、動作中に移動されている間における複合磁性材料１０１の変形を感知するように構成されてよい。更に他の実施形態では、マグネトメータ１０２は、ロボットアームによって操作される物体の上などの、複合磁性材料に接続されるロボットアームのようなデバイスとは異なる位置に配置されてよい。
【0051】
図９に示す実施形態では、磁性材料１０１はキーに取り付けられており、マグネトメータ１０２はロボットグリッパの一部となっている。ロボットグリッパに搭載されたマグネトメータ１０２は、キー上の磁性材料１０１にｓｕｍ－ｍｍの精度で配置することができ、ロボットが毎回同じ位置で同じ方法で物体をピックアップすることを可能にしている。更に、ロボットは、接触する前でも、繰り返し可能な握りと物体のポーズとを一貫して特定できる。マグネトメータ１０４は、小型（７×７×２ｍｍ）であり、高速サンプリングレート（＞１００Ｈｚ）をもたらし、シリアル通信を介してシステムに容易に組込みできる。
【0052】
図１０は、磁性材料１０１から分離されているマグネトメータ１０２を備えており、３Ｄ位置特定が可能なセンサ１００の代替的実施形態を示している。磁性材料１０１とマグネトメータ１０２を分離することで、ロボットは自由に動いて、運動と変形の両方に起因した周囲の磁束変化を測定することができる。センサ１００は、視覚ベースの物体位置特定を補完することができる。構成要素が分離されているセンサ１００の一実施形態例では、３軸マグネトメータ１０２は、ＳＤＡ、ＳＣＬ、３．３Ｖ、及びＧＮＤの４本の入力線を持つ回路基板に取り付けられている。この４本の配線により、マグネトメータ１０２は、エンドエフェクタ、即ちグリッパに取り付けられた小型のマイクロコントローラとｉ２ｃを使って通信することができる。
【0053】
図９及び図１０に示されたセンサ１００では、位置特定と力フィードバックは、電磁気学のマクスウェルの方程式によって支配される。幾つかのアプリケーションでは、磁性材料１０１の磁場の形状を２Ｄガウシアンとして推定することで、プロセスを簡略化することができる。 この基準を使用して、磁性材料１０１の表面での磁場のｚ成分を、マグネトメータ１０２によって決定及び測定することができる。例えば、２ｍｍの厚さの場合、この例示的な実施形態で使用される磁性材料１０１は、３５００から４５００μＴの範囲であってよく、最小二乗フィッティングのための合理的な境界として機能する。
【0054】
ロボットグリッパ及びマグネトメータ１０２が磁性材料１０１の近くを通過すると、最大磁場に遭遇した場合におけるグリッパの位置が記録される。この位置にグリッパを移動させると、磁性材料１０１をその軸でセンタリングすることになるであろう。これを別の方向に繰り返すことで、ロボットグリッパを磁性材料１０１の中央に置くことができる。
【0055】
或いは、相補的な視覚ベースシステムは、磁性材料１０１が付けられた物体の近くにあるロボットグリッパの位置を特定することができるが、スキャン方向に関する情報は有さないであろう。このような状況では、任意の方向に短距離スキャンを行って、非線形最小二乗法による最適化でデータポイントに１Ｄガウシアンをフィッティングすることができる。その後、このプロセスは第２の軸に対して繰り返されてよい。これらのステップを実行すると、ロボットグリッパは、ガウシアンの推定ピークに位置することができる。マグネトメータ１０２を含むロボットグリッパが中心軸に配置されると、マクスウェル方程式を用いて磁性材料１０１の表面の位置を推定することができる。その後、ロボットグリッパは少しずつ動かされて、磁性材料１０１の表面に近づけられてよい。
【0056】
更なる実施形態では、システムは、複合磁性材料１０１の変形又は変形を感知するために、任意の数の場所にて複数のマグネトメータを含んでもよい。更に別の実施形態では、複数の磁性粒子１０４は、ネオン（Ｎｅ）、鉄（Ｆｅ）、ホウ素（Ｂ）、ネオジム（Ｎｄ）、サマリウム（Ｓｍ）、コバルト（Ｃｏ）、及びそれらの任意の適切な組合せなどの材料を含んでよい。更に、幾つかの非限定的な実施形態では、複数の磁性粒子には、１０－７．５メートルから１０－４．５メートルの範囲の寸法を有する粒子と、０．５μｍ（マイクロメートル）から０．５ｍｍ（ミリメートル）の範囲の寸法を有する粒子を含む微粒子と、及び／又は、７００ｎｍ（ナノメートル）未満の寸法を有する粒子を含むナノ粒子とが挙げられる。
【0057】
前述の説明、特許請求の範囲、又は添付の図面に開示されている特徴は、それらの具体的な形態で、開示された機能を実行するための手段として、開示された結果を達成するための方法又はプロセスの形態として適切に表現されており、別々に、又はそのような特徴の任意の組合せで、本発明をその多様な形態で実現するために利用することができる。特に、本明細書に記載されている何れかの実施形態における１又は複数の特徴は、本明細書に記載されている他の実施形態の１又は複数の特徴と組み合わせられてよい。
【0058】
保護はまた、本開示と合わせて参照にされる及び／又は組み込まれる任意の１又は複数の公開文書に開示される任意の特徴に対して求められ得る。
【図1A】
【図1B】
【図1C】
【図1D】
【図1E】
【図1F】
【図2A】
【図2B】
【図2C】
【図2D】
【図2E】
【図2F】
【図3A】
【図3B】
【図3C】
【図3D】
【図3E】
【図3F】
【図3G】
【図4A】
【図4B】
【図4C】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【国際調査報告】