特表 2023-550495 センサの構成の力の推論の方法、複数のネットワークを訓練する方法、力の推論のモジュール、及びセンサの構成

(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】2023-12-01

(54)【発明の名称】センサの構成の力の推論の方法、複数のネットワークを訓練する方法、力の推論のモジュール、及びセンサの構成

(51)【国際特許分類】

   G01L 1/02 20060101AFI20231124BHJP

   G01L 5/00 20060101ALI20231124BHJP

【ＦＩ】

G01L1/02

G01L5/00 Z

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2023530868

(86)(22)【出願日】2020-11-24

(85)【翻訳文提出日】2023-06-08

(86)【国際出願番号】 EP2020083261

(87)【国際公開番号】W WO2022111799

(87)【国際公開日】2022-06-02

(81)【指定国・地域】

(71)【出願人】

【識別番号】508329874

【氏名又は名称】マックス－プランク－ゲゼルシヤフト・ツーア・フェルデルング・デア・ヴィッセンシャフテン・アインゲトラーゲナー・フェライン

(74)【代理人】

【識別番号】100069556

【弁理士】

【氏名又は名称】江崎 光史

(74)【代理人】

【識別番号】100111486

【弁理士】

【氏名又は名称】鍛冶澤 實

(74)【代理人】

【識別番号】100191835

【弁理士】

【氏名又は名称】中村 真介

(74)【代理人】

【識別番号】100221981

【弁理士】

【氏名又は名称】石田 大成

(74)【代理人】

【識別番号】100208258

【弁理士】

【氏名又は名称】鈴木 友子

(72)【発明者】

【氏名】シュピアス・アダム

(72)【発明者】

【氏名】イ・ヒョサン

(72)【発明者】

【氏名】マルティウス・ゲオルグ

(72)【発明者】

【氏名】ソン・ファンボ

(72)【発明者】

【氏名】フィーネ・ヨナタン

【テーマコード（参考）】

2F051

【Ｆターム（参考）】

2F051AA10

2F051AB02

2F051BA07

(57)【要約】

【課題】ロボティクス向けセンサの構成を改良する。
【解決手段】本発明は、力を検知するセンサの構成の力の推論の方法に関する。この方法は、複数の圧力値を読み出すことと、順伝播型ニューラルネットワークを使い力のマップを計算することとを備える。本発明は、複数のニューラルネットワークを訓練する複数の方法と、力の推論モジュールと、センサの構成とにさらに関する。

【特許請求の範囲】

【請求項1】

力を検知するセンサの構成（１０）の、力を推論する方法であって、
前記センサの構成（１０）が複数の気圧センサ（４００）と、前記気圧センサ（４００）を覆いかつ計測表面（２１０）を提供する追従層（２００）とを備え、
前記力を推論する方法が、
圧力値（Ｒ）を前記気圧センサ（４００）から読み出すステップと、
順伝播型ニューラルネットワーク（ＦＦＮＮ）を使って前記圧力値（Ｒ）に基づいて前記計測表面（２１０）上に力のマップ（ＦＭ）を計算するステップであって、前記力のマップ（ＦＭ）が複数の力のベクトル（Ｆ）を備える、力のマップ（ＦＭ）を計算するステップと、
を備える、力を検知するセンサの構成（１０）の、力を推論する方法。

【請求項2】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、転移ネットワーク（ＴＮ）及び再構築ネットワーク（ＲＮ）を備え、
前記転移ネットワーク（ＴＮ）は、前記気圧センサ（４００）を前記センサの構成（１０）の有限要素モデル（１０ａ）の複数の仮想センサ（４００ａ）に図示し、
前記再構築ネットワーク（ＲＮ）は、前記有限要素モデル（１０ａ）の前記仮想センサ（４００ａ）を前記力のマップ（ＦＭ）に図示し、
各前記仮想センサ（４００ａ）は、仮想センサの点の値（Ｓ）を持つ１つ又はそれより多い仮想センサ点（４１０ａ）を備える、
請求項１に記載の方法。

【請求項3】

前記再構築ネットワーク（ＲＮ）が前記力の推論の前に、以下のステップ、
－ 前記有限要素モデル（１０ａ）において複数の模擬試験を実行するステップ（Ｔ２＿１）であって、
各前記模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に１つ又はそれより多い模擬力（６０５ａ）を同時に適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆ）を備え、
前記有限要素モデル（１０ａ）で、対応する仮想センサの点の値（Ｓ）を計算する、前記複数の模擬試験を実行するステップ（Ｔ２＿１）と、
－ 計算された前記模擬力のマップ（ＦＭａ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って、前記再構築ネットワーク（ＲＮ）を訓練するステップ（Ｔ２＿２）と
で訓練された、請求項２に記載の方法。

【請求項4】

前記模擬計測表面（２１０ａ）に適用される模擬力（６０５ａ）は、模擬圧子形状を持つ各模擬圧子（６００ａ）に基づいて生成される、請求項３に記載の方法。

【請求項5】

前記模擬圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される、請求項４に記載の方法。

【請求項6】

前記再構築ネットワーク（ＲＮ）は、複数の異なる模擬圧子形状を使用して訓練される、請求項３から５のいずれか一項に記載の方法。

【請求項7】

前記再構築ネットワーク（ＲＮ）は、複数のサイズの模擬圧子（６００ａ）を使用して訓練される、請求項３から６のいずれか一項に記載の方法。

【請求項8】

前記再構築ネットワーク（ＲＮ）は、２個又はそれより多い模擬圧子（６００ａ）に基づいて生成された模擬力（６０５ａ）の同時適用を備える模擬試験の少なくとも一部で訓練される、請求項３から７のいずれか一項に記載の方法。

【請求項9】

前記再構築ネットワーク（ＲＮ）は、前記再構築ネットワーク（ＲＮ）を訓練する前記模擬試験の少なくとも一部で訓練され、
前記模擬試験が、１個の模擬圧子（６００ａ）のみに基づいて生成された模擬力（６０５ａ）を適用することを備える、請求項３から８のいずれか一項に記載の方法。

【請求項10】

各前記模擬力のベクトル（Ｆａ）は、垂直抗力成分（Ｆ_Ｎａ）と、第１せん断力成分（Ｆ_Ｓ１ａ）と、第２せん断力成分（Ｆ_Ｓ２ａ）を備える、請求項３から９のいずれか一項に記載の方法。

【請求項11】

前記模擬力のベクトル（Ｆａ）の中で、第１せん断力成分（Ｆ_Ｓ１ａ）は第１せん断力に対応し、前記第２せん断力成分（Ｆ_Ｓ２ａ）は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、請求項１０に記載の方法。

【請求項12】

前記再構築ネットワーク（ＲＮ）は、異なるせん断力成分を持つ複数の模擬力（６０５ａ）を使って訓練される、請求項３から１１のいずれか一項に記載の方法。

【請求項13】

前記再構築ネットワーク（ＲＮ）は、異なる垂直抗力成分を持つ複数の模擬力（６０５ａ）を使って訓練される、請求項３から１２のいずれか一項に記載の方法。

【請求項14】

前記転移ネットワーク（ＴＮ）が前記力の推論の前に以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ１＿１）であって、
各前記力の試験が、前記センサの構成（１０）の前記計測表面（２１０）上の位置に１つの圧子（６００）による力を加えて、前記圧子（６００）によって加えられた前記力（６０５）を同時に計測し、同時に前記気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、複数の力の試験を行うステップ（Ｔ１＿１）と、
－ 各前記力の試験について、前記有限要素モデル（１０ａ）で対応する模擬試験を実行するステップ（Ｔ１＿２）であって、
各前記模擬試験は前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それにより、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力（６０５ａ）は計測された前記力（６０５）に対応しかつ計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に適用される、模擬試験を実行するステップと、
前記有限要素モデル（１０ａ）を用いて、対応する仮想センサの点の前記値（Ｓ）を計算するステップと、
－ 計測された前記圧力値（Ｒ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って前記転移ネットワーク（ＴＮ）を訓練するステップ（Ｔ１＿３）と
で訓練された、請求項２から１３のいずれか一項に記載の方法。

【請求項15】

前記転移ネットワーク（ＴＮ）を訓練する力の試験は、各圧子がそれぞれの圧子形状を持つ複数の圧子（６００）を用いて実行される、請求項１４に記載の方法。

【請求項16】

前記圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される、請求項１５に記載の方法。

【請求項17】

前記模擬試験は、対応する力の試験で使用される実際の圧子形状に対応するそれぞれの模擬圧子形状を持つ模擬圧子（６００ａ）に基づく模擬力（６０５ａ）で実行される、請求項１５又は１６に記載の方法。

【請求項18】

前記転移ネットワーク（ＴＮ）は、複数の異なる圧子形状を使用して訓練される、請求項１４から１７のいずれか一に記載の方法。

【請求項19】

前記転移ネットワーク（ＴＮ）は、異なるサイズの複数の圧子（６００）を使用して訓練される、請求項１４から１８のいずれか一に記載の方法。

【請求項20】

前記転移ネットワーク（ＴＮ）は、前記転移ネットワーク（ＴＮ）を訓練する前記力の試験の少なくとも一部について、それぞれのせん断力で適用される前記圧子（６００）で訓練される、請求項１４から１９のいずれか一項に記載の方法。

【請求項21】

各前記計測される力（６０５）は垂直抗力成分と、第１せん断力成分と、第２せん断力成分とを備える、請求項１４から２０のいずれか一項に記載の方法。

【請求項22】

前記計測される力（６０５）の中で、前記第１せん断力成分は第１せん断力に対応し、前記第２せん断力成分は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、請求項２１に記載の方法。

【請求項23】

前記転移ネットワーク（ＴＮ）は、異なるせん断力成分を持つ複数の力（６０５）を使って訓練される、請求項２１又は２２に記載の方法。

【請求項24】

前記転移ネットワーク（ＴＮ）は、異なる垂直抗力成分を持つ複数の力（６０５）を使って訓練される、請求項２１から２３のいずれか一項に記載の方法。

【請求項25】

前記圧子（６００）によって適用される複数の前記力（６０５）が、前記圧子（６００）内の、又は前記圧子（６００）の隣に位置する力のセンサ（６１０）によって計測される、請求項１４から２４のいずれか一項に記載の方法。

【請求項26】

各前記模擬力のベクトル（Ｆａ）は、垂直抗力成分（Ｆ_Ｎａ）と、第１せん断力成分（Ｆ_Ｓ１ａ）と、第２せん断力成分（Ｆ_Ｓ２ａ）を備える、請求項１４から２５のいずれか一項に記載の方法。

【請求項27】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）が、前記気圧センサ（４００）を前記力のマップ（ＦＭ）に直接図示する、請求項１に記載の方法。

【請求項28】

前記力の推論の前に、前記順伝播型ニューラルネットワーク（ＦＦＮＮ）が以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ３＿１）であって、
各前記力の試験が、前記センサの構成（１０）の計測表面（２１０）上の位置に１つの圧子（６００）により力（６０５）を加え、前記圧子（６００）によって加えられた力（６０５）を同時に計測し、同時に気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、前記複数の力の試験を行うステップ（Ｔ３＿１）と、
－ 各前記力の試験について、前記センサの構成（１０）の有限要素モデル（１０ａ）で対応する模擬試験を実行するステップ（Ｔ３＿２）であって、
各模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力（６０５ａ）は、計測された前記力（６０５）に相当し、前記計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に加えられる、
前記模擬試験を実行するステップ（Ｔ３＿２）と、
－ 計測された前記圧力値（Ｒ）と対応する計算された模擬力のマップ（ＦＭａ）を使用して前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練するステップ（Ｔ３＿３）と
で訓練された、請求項１から２７のいずれか一項に記載の方法。

【請求項29】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する力の試験は、各圧子がそれぞれの圧子形状を持つ複数の圧子（６００）を用いて実行される、請求項２８に記載の方法。

【請求項30】

前記圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される、請求項２９に記載の方法。

【請求項31】

前記模擬試験は、対応する力の試験で使用される実際の圧子形状に対応するそれぞれの模擬圧子形状を持つ模擬圧子（６００ａ）に基づく模擬力（６０５ａ）で実行される、請求項２９又は３０に記載の方法。

【請求項32】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、複数の異なる圧子形状を用いて訓練される、請求項２８から３１のいずれか一項に記載の方法。

【請求項33】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、異なるサイズの複数の圧子（６００）を使用して訓練される、請求項２８から３２のいずれか一に記載の方法。

【請求項34】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する前記力の試験の少なくとも一部について、各せん断力で適用される前記圧子（６００）で訓練される、請求項２８から３３のいずれか一項に記載の方法。

【請求項35】

各前記計測される力（６０５）は垂直抗力成分と、第１せん断力成分と、第２せん断力成分とを備える、請求項２８から３４のいずれか一項に記載の方法。

【請求項36】

前記計測される力（６０５）の中で、前記第１せん断力成分は第１せん断力に対応し、前記第２せん断力成分は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、請求項３５に記載の方法。

【請求項37】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、異なるせん断力成分を持つ複数の力（６０５）を使って訓練される、請求項３５又は３６に記載の方法。

【請求項38】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、異なる垂直抗力成分を持つ複数の力（６０５）を使って訓練される、請求項３５から３７のいずれか一項に記載の方法。

【請求項39】

複数の前記力（６０５）が、前記圧子（６００）内の、又は前記圧子（６００）の隣に位置する力のセンサ（６１０）によって計測される、請求項２８から３８のいずれか一項に記載の方法。

【請求項40】

各前記模擬力のベクトル（Ｆａ）は、垂直抗力成分（Ｆ_Ｎ）と、第１せん断力成分（Ｆ_Ｓ１ａ）と、第２せん断力成分（Ｆ_Ｓ２ａ）を備える、請求項２８から３９のいずれか一項に記載の方法。

【請求項41】

前記計算された力のマップ（ＦＭ）が基づく複数の前記圧力値（Ｒ）は、同時に又は事前に決めた期間、読み出される、請求項１から４０のいずれか一項に記載の方法。

【請求項42】

前記力のマップ（ＦＭ）が、ｍｍ^２当たり少なくとも０．２５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも０．５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも０．７５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも１の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも１．５の力のベクトル（Ｆ）、又はｍｍ^２当たり少なくとも２の力のベクトル（Ｆ）を備えることと、
前記力のマップ（ＦＭ）が、ｍｍ^２当たり最大０．２５の力のベクトル（Ｆ）、ｍｍ^２当たり最大０．５の力のベクトル（Ｆ）、ｍｍ^２当たり最大０．７５の力のベクトル（Ｆ）、ｍｍ^２当たり最大で１の力のベクトル（Ｆ）、ｍｍ^２当たり最大で１．５の力のベクトル（Ｆ）、又はｍｍ^２当たり最大で２の力のベクトル（Ｆ）を備えることと
の少なくとも一方である、請求項１から４１のいずれか一項に記載の方法。

【請求項43】

各前記力のベクトル（Ｆ）は、垂直抗力成分（Ｆ_Ｎ）と、第１せん断力成分（Ｆ_Ｓ１）と、第２せん断力成分（Ｆ_Ｓ２）とを備える、請求項１から４２のいずれか一項に記載の方法。

【請求項44】

第１せん断力成分（Ｆ_Ｓ１）は第１せん断力に対応し、前記第２せん断力成分（Ｆ_Ｓ２）は第２せん断力に対応し、そして
前記第１せん断力が前記第２せん断力に対して垂直である、請求項４３に記載の方法。

【請求項45】

前記気圧センサ（４００）から温度値を読み出し、前記温度値に基づいて前記センサの構成（１０）の、温度情報又は温度マップを提供することをさらに備える、請求項１から４４のいずれか一項に記載の方法。

【請求項46】

再構築ネットワーク（ＲＮ）を訓練する方法（Ｔ２）であって、
前記再構築ネットワーク（ＲＮ）は、センサの構成（１０）の有限要素モデル（１０ａ）の仮想センサ（４００ａ）を力のマップ（ＦＭ）に図示し、
前記センサの構成（１０）は、複数の気圧センサ（４００）と、
前記気圧センサ（４００）を覆いかつ計測表面（２１０）を提供する追従層（２００）とを備え、
前記力のマップ（ＦＭ）は、複数の力のベクトル（Ｆ）を備え、
－ 各前記仮想センサ（４００ａ）は、１個又はそれより多い仮想センサ点（４１０ａ）を備え、各点が仮想センサの点の値（Ｓ）を持ち、
－ 前記再構築ネットワークは、以下のステップ、
－ 前記有限要素モデル（１０ａ）において複数の模擬試験を実行するステップ（Ｔ２＿１）であって、
各前記模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に１つ又はそれより多い模擬力（６０５ａ）を同時に適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆａ）を備え、
前記有限要素モデル（１０ａ）で、対応する仮想センサの点の値（Ｓ）を計算する、前記複数の模擬試験を実行するステップ（Ｔ２＿１）と、
－ 計算された前記模擬力のマップ（ＦＭａ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って、前記再構築ネットワーク（ＲＮ）を訓練するステップ（Ｔ２＿２）と
で訓練される、再構築ネットワーク（ＲＮ）を訓練する方法（Ｔ２）。

【請求項47】

前記模擬計測表面（２１０ａ）に適用される模擬力（６０５ａ）は、模擬圧子形状を持つ各模擬圧子（６００ａ）に基づいて生成される、請求項４６に記載の方法。

【請求項48】

前記模擬圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される、請求項４７に記載の方法。

【請求項49】

前記再構築ネットワーク（ＲＮ）は、複数の異なる模擬圧子形状を使用して訓練される、請求項４６から４８のいずれか一項に記載の方法。

【請求項50】

前記再構築ネットワーク（ＲＮ）は、複数のサイズの模擬圧子（６００ａ）を使用して訓練される、請求項４６から４９のいずれか一項に記載の方法。

【請求項51】

前記再構築ネットワーク（ＲＮ）は、２個又はそれより多い模擬圧子（６００ａ）に基づいて生成された模擬力（６０５ａ）の同時適用を備える模擬試験の少なくとも一部で訓練される、請求項４６から５０のいずれか一項に記載の方法。

【請求項52】

前記再構築ネットワーク（ＲＮ）は、前記再構築ネットワーク（ＲＮ）を訓練する前記模擬試験の少なくとも一部で訓練され、
前記模擬試験が、１個の模擬圧子（６００ａ）のみに基づいて生成された模擬力（６０５ａ）を適用することを備える、請求項４６から５１のいずれか一項に記載の方法。

【請求項53】

各前記模擬力のベクトル（Ｆａ）は、垂直抗力成分（Ｆ_Ｎａ）と、第１せん断力成分（Ｆ_Ｓ１ａ）と、第２せん断力成分（Ｆ_Ｓ２ａ）を備える、請求項４６から５２のいずれか一項に記載の方法。

【請求項54】

前記模擬力のベクトル（Ｆａ）の中で、第１せん断力成分（Ｆ_Ｓ１ａ）は第１せん断力に対応し、前記第２せん断力成分（Ｆ_Ｓ２ａ）は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、請求項５３に記載の方法。

【請求項55】

前記再構築ネットワーク（ＲＮ）は、異なるせん断力成分を持つ複数の模擬力（６０５ａ）を使って訓練される、請求項４６から５４のいずれか一項に記載の方法。

【請求項56】

前記再構築ネットワーク（ＲＮ）は、異なる垂直抗力成分を持つ複数の模擬力（６０５ａ）を使って訓練される、請求項４６から５５のいずれか一項に記載の方法。

【請求項57】

前記再構築ネットワーク（ＲＮ）が請求項２に記載の方法又は請求項２に従属する任意の１請求項に記載の方法で使われる、請求項４６から５６のいずれか一項に記載の方法。

【請求項58】

前記力のマップ（ＦＭ）が、ｍｍ^２当たり少なくとも０．２５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも０．５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも０．７５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも１の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも１．５の力のベクトル（Ｆ）、又はｍｍ^２当たり少なくとも２の力のベクトル（Ｆ）を備えることと、
前記力のマップ（ＦＭ）が、ｍｍ^２当たり最大０．２５の力のベクトル（Ｆ）、ｍｍ^２当たり最大０．５の力のベクトル（Ｆ）、ｍｍ^２当たり最大０．７５の力のベクトル（Ｆ）、ｍｍ^２当たり最大で１の力のベクトル（Ｆ）、ｍｍ^２当たり最大で１．５の力のベクトル（Ｆ）、又はｍｍ^２当たり最大で２の力のベクトル（Ｆ）を備えることと
の少なくとも一方である、請求項４６から５７のいずれか一項に記載の方法。

【請求項59】

各前記力のベクトル（Ｆ）は、垂直抗力成分（Ｆ_Ｎ）と、第１せん断力成分（Ｆ_Ｓ１）と、第２せん断力成分（Ｆ_Ｓ２）とを備える、請求項４６から５８のいずれか一項に記載の方法。

【請求項60】

前記第１せん断力成分（Ｆ_Ｓ１）は第１せん断力に対応し、前記第２せん断力成分（Ｆ_Ｓ２）は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、請求項５９に記載の方法。

【請求項61】

転移ネットワーク（ＴＮ）を訓練する方法であって、
前記転移ネットワーク（ＴＮ）は、センサの構成（１０）の気圧センサ（４００）を、前記センサの構成（１０）の有限要素モデル（１０ａ）の複数の仮想センサ（４００ａ）に図示し、
前記センサの構成（１０）が、
複数の気圧センサ（４００）と、
前記気圧センサ（４００）を覆い、計測表面（２１０）を提供する追従層（２００）と
を備え、
－ 各前記仮想センサ（４００ａ）は、１つ又はそれより多い仮想センサ点（４１０ａ）を備え、それぞれが仮想センサの点の値（Ｓ）を持ち、
－ 前記転移ネットワーク（ＴＮ）は、以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ１＿１）であって、
各前記力の試験が、前記センサの構成（１０）の前記計測表面（２１０）上の位置に１つの圧子（６００）による力（６０５）を加えて、前記圧子（６００）によって加えられた前記力（６０５）を同時に計測し、同時に前記気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、複数の力の試験を行うステップ（Ｔ１＿１）と、
－ 各前記力の試験について、前記有限要素モデル（１０ａ）で対応する模擬試験を実行するステップ（Ｔ１＿２）であって、
各前記模擬試験は前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それにより、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力（６０５ａ）は計測された前記力（６０５）に対応しかつ計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に適用される、模擬試験を実行するステップと、
前記有限要素モデル（１０ａ）を用いて、対応する仮想センサの点の前記値（Ｓ）を計算するステップと、
－ 計測された前記圧力値（Ｒ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って転移ネットワークを訓練するステップ（Ｔ１＿３）と
で訓練される、転移ネットワーク（ＴＮ）を訓練する方法。

【請求項62】

前記転移ネットワーク（ＴＮ）を訓練する力の試験は、各圧子がそれぞれの圧子形状を持つ複数の圧子（６００）を用いて実行される、請求項６１に記載の方法。

【請求項63】

前記圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される、請求項６２に記載の方法。

【請求項64】

前記模擬試験は、対応する力の試験で使用される実際の圧子形状に対応するそれぞれの模擬圧子形状を持つ模擬圧子（６００ａ）に基づく模擬力（６０５ａ）で実行される、請求項６２又は６３に記載の方法。

【請求項65】

前記転移ネットワーク（ＴＮ）は、複数の異なる圧子形状を用いて訓練される、請求項６１から６４のいずれか一項に記載の方法。

【請求項66】

前記転移ネットワーク（ＴＮ）は、異なるサイズの複数の圧子（６００）を使用して訓練される、請求項６１から６５のいずれか一に記載の方法。

【請求項67】

前記転移ネットワーク（ＴＮ）は、前記転移ネットワーク（ＴＮ）を訓練する前記力の試験の少なくとも一部について、各せん断力で適用される前記圧子（６００）で訓練される、請求項６１から６６のいずれか一項に記載の方法。

【請求項68】

各前記計測される力（６０５）は垂直抗力成分と、第１せん断力成分と、第２せん断力成分とを備える、請求項６１から６７のいずれか一項に記載の方法。

【請求項69】

前記計測される力（６０５）の中で、前記第１せん断力成分は第１せん断力に対応し、前記第２せん断力成分は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、請求項６８に記載の方法。

【請求項70】

前記転移ネットワーク（ＴＮ）は、異なるせん断力成分を持つ複数の力（６０５）を使って訓練される、請求項６８又は６９に記載の方法。

【請求項71】

前記転移ネットワーク（ＴＮ）は、異なる垂直抗力成分を持つ複数の力（６０５）を使って訓練される、請求項６８から７０のいずれか一項に記載の方法。

【請求項72】

前記圧子（６００）によって適用される複数の前記力（６０５）が、前記圧子（６００）内の、又は前記圧子（６００）の隣に位置する力のセンサ（６１０）によって計測される、請求項６１から７１のいずれか一項に記載の方法。

【請求項73】

各前記模擬力のベクトル（Ｆａ）は、垂直抗力成分（Ｆ_Ｎ）と、第１せん断力成分（Ｆ_Ｓ１）と、第２せん断力成分（Ｆ_Ｓ２）を備える、請求項６１から７２のいずれか一項に記載の方法。

【請求項74】

前記転移ネットワークが請求項２に記載の方法又は請求項２に従属する任意の１請求項に記載の方法で使われる、請求項６１から７３のいずれか一項に記載の方法。

【請求項75】

順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する方法（Ｔ３）であって、
前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、気圧センサ（４００）の圧力値（Ｒ）に基づいて、センサの構成（１０）の計測表面（２１０）上の力のマップ（ＦＭ）を計算し、
前記センサの構成（１０）が、
複数の気圧センサ（４００）と、
前記気圧センサ（４００）を覆い、計測表面（２１０）を提供する追従層（２００）とを備え、
前記力のマップ（ＦＭ）は複数の力のベクトル（Ｆ）を備え、
前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ３＿１）であって、
各前記力の試験が、前記センサの構成（１０）の計測表面（２１０）上の位置に１つの圧子（６００）により力を加え、前記圧子（６００）によって加えられた力（６０５）を同時に計測し、同時に気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、前記複数の力の試験を行うステップ（Ｔ３＿１）と、
－ 各前記力の試験について、前記センサの構成（１０）の有限要素モデル（１０ａ）で対応する模擬試験を実行するステップ（Ｔ３＿２）であって、
各模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力は、計測された前記力（６０５）に相当し、前記計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に加えられる、
前記模擬試験を実行するステップ（Ｔ３＿２）と、
－ 計測された前記圧力値（Ｒ）と対応する計算された模擬力のマップ（ＦＭａ）を使用して前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練するステップ（Ｔ３＿３）と
で訓練される、順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する方法（Ｔ３）。

【請求項76】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する力の試験は、各圧子がそれぞれ圧子形状を持つ複数の圧子（６００）を用いて実行される、請求項７５に記載の方法。

【請求項77】

前記圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される、請求項７６に記載の方法。

【請求項78】

前記模擬試験は、対応する力の試験で使用される実際の圧子形状に対応するそれぞれの模擬圧子形状を持つ模擬圧子（６００ａ）に基づく模擬力（６０５ａ）で実行され、請求項７６又は７７に記載の方法。

【請求項79】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、複数の異なる圧子形状を用いて訓練される、請求項７５から７８のいずれか一項に記載の方法。

【請求項80】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、異なるサイズの複数の圧子（６００）を使用して訓練される、請求項７５から７９のいずれか一に記載の方法。

【請求項81】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する前記力の試験の少なくとも一部について、各せん断力で適用される前記圧子（６００）で訓練される、請求項７５から８０のいずれか一項に記載の方法。

【請求項82】

各前記計測される力（６０５）は垂直抗力成分と、第１せん断力成分と、第２せん断力成分とを備える、請求項７５から８１のいずれか一項に記載の方法。

【請求項83】

前記計測される力（６０５）の中で、前記第１せん断力成分は第１せん断力に対応し、前記第２せん断力成分は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、請求項８２に記載の方法。

【請求項84】

前記順伝播型ニューラルネットワークは、異なるせん断力成分を持つ複数の力（６０５）を使って訓練される、請求項８２又は８３に記載の方法。

【請求項85】

前記順伝播型ニューラルネットワークは、異なる垂直抗力成分を持つ複数の力（６０５）を使って訓練される、請求項８２から８４のいずれか一項に記載の方法。

【請求項86】

複数の前記力（６０５）が、前記圧子（６００）内の、又は前記圧子（６００）の隣に位置する力のセンサ（６１０）によって計測される、請求項７５から８５のいずれか一項に記載の方法。

【請求項87】

各前記模擬力のベクトル（Ｆａ）は、垂直抗力成分（Ｆ_Ｎａ）と、第１せん断力成分（Ｆ_Ｓ１ａ）と、第２せん断力成分（Ｆ_Ｓ２ａ）を備える、請求項７５から８６のいずれか一項に記載の方法。

【請求項88】

前記模擬力のベクトル（Ｆａ）の中で、第１せん断力成分（Ｆ_Ｓ１ａ）は第１せん断力に対応し、前記第２せん断力成分（Ｆ_Ｓ２ａ）は第２せん断力に対応し、そして
前記第１せん断力は前記第２せん断力に垂直である、
請求項８７に記載の方法。

【請求項89】

前記順伝播型ニューラルネットワークが、請求項１に記載の方法又は請求項１に従属する任意の１請求項に記載の方法で、使われる、請求項７５から８８のいずれか一項に記載の方法。

【請求項90】

前記力のマップ（ＦＭ）が、ｍｍ^２当たり少なくとも０．２５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも０．５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも０．７５の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも１の力のベクトル（Ｆ）、ｍｍ^２当たり少なくとも１．５の力のベクトル（Ｆ）、又はｍｍ^２当たり少なくとも２の力のベクトル（Ｆ）を備えることと、
前記力のマップ（ＦＭ）が、ｍｍ^２当たり最大０．２５の力のベクトル（Ｆ）、ｍｍ^２当たり最大０．５の力のベクトル（Ｆ）、ｍｍ^２当たり最大０．７５の力のベクトル（Ｆ）、ｍｍ^２当たり最大で１の力のベクトル（Ｆ）、ｍｍ^２当たり最大で１．５の力のベクトル（Ｆ）、又はｍｍ^２当たり最大で２の力のベクトル（Ｆ）を備えることと
の少なくとも一方である、請求項７５から８９のいずれか一項に記載の方法。

【請求項91】

各前記力のベクトル（Ｆ）は、垂直抗力成分（Ｆ_Ｎ）と、第１せん断力成分（Ｆ_Ｓ１）と、第２せん断力成分（Ｆ_Ｓ２）とを備える、請求項７５から９０のいずれか一項に記載の方法。

【請求項92】

前記第１せん断力成分（Ｆ_Ｓ１）は第１せん断力に対応し、前記第２せん断力成分（Ｆ_Ｓ２）は第２せん断力に対応し、前記第１せん断力が前記第２せん断力に対して垂直である、請求項９１に記載の方法。

【請求項93】

請求項１から９２のいずれか一項に記載の方法において、前記センサの構成（１０）が、力を検知する前記センサの構成（１０）であって、前記センサの構成（１０）が、
フレキシブル回路基板（３００）と、
前記フレキシブル回路基板（３００）に取り付けられた複数の気圧センサ（４００）と、
前記フレキシブル回路基板（３００）が周りを覆いかつ前記フレキシブル基板（３００）が取り付けられている剛性コア（１００）であって、それにより、前記剛性コア（１００）から離れる向きに突出している前記気圧センサ（４００）と共に前記剛性コア（１００）を前記フレキシブル回路基板（３００）が少なくとも部分的に覆っている、剛性コア（１００）と、
前記気圧センサ（４００）を覆いかつ計測表面（２１０）を提供している、追従層（２００）と
を備える、
請求項１から９２のいずれか一項に記載の方法。

【請求項94】

前記剛性コア（１００）がドーム形状である、請求項９３に記載の方法。

【請求項95】

前記剛性コア（１００）が複数の平面部を備え、各前記気圧センサ（４００）が前記複数の平面部の１つに配置されている、請求項９３又は９４に記載の方法。

【請求項96】

前記追従層（２００）が、プラスチック材料又はゴムを含有するか、もしくはプラスチック材料又はゴムからなる、請求項９３から９５のいずれか一項に記載の方法。

【請求項97】

前記プラスチック材料が、熱可塑性、エラストマー、熱可塑性エラストマー、又は熱硬化性である、請求項９６に記載の方法。

【請求項98】

前記追従層（２００）が前記計測表面（２１０）にかかる力を、気圧センサ（４００）の少なくとも一部分に中継する、請求項９３から９７のいずれか一項に記載の方法。

【請求項99】

複数の前記気圧センサ（４００）が、前記フレキシブル回路基板（３００）上の導電性経路によってつながっている、請求項９３から９８のいずれか一項に記載の方法。

【請求項100】

前記フレキシブル回路基板（３００）が、アスタリスクの形をしている、請求項９３から９９のいずれか一項に記載の方法。

【請求項101】

前記フレキシブル回路基板（３００）が、中央部分（３０５）で接続されている複数の腕（３１０，３２０，３３０，３４０，３５０，３６０）を備える、請求項９３から１００のいずれか一項に記載の方法。

【請求項102】

複数の前記気圧センサ（４００）が、少なくとも１ｍｍ、少なくとも２ｍｍ、少なくとも３ｍｍ、少なくとも４ｍｍ、又は少なくとも５ｍｍの距離での配置と、最大１ｍｍ、最大２ｍｍ、最大３ｍｍ、最大４ｍｍ、又は最大５ｍｍの距離での配置との少なくとも一方で配置されている、請求項９３から１０１のいずれか一項に記載の方法。

【請求項103】

前記センサの構成（１０）が、ロボットの先端と、ロボットの操作要素との少なくとも一方である、請求項９３から１０２のいずれか一項に記載の方法。

【請求項104】

前記剛性コア（１００）が三次元造形で作られた部分である、請求項９３から１０３のいずれか一項に記載の方法。

【請求項105】

力を検知するセンサの構成（１０）用の力の推論のモジュールであって、前記力の推論のモジュールは、請求項１から１０４のいずれか一項に記載の方法を実行するように構成されている、前記力の推論のモジュール。

【請求項106】

力を検知するセンサの構成（１０）であって、前記センサの構成（１０）が、
フレキシブル回路基板（３００）と、
前記フレキシブル回路基板（３００）に取り付けられた複数の気圧センサ（４００）と、
前記フレキシブル回路基板（３００）が周りを覆いかつ前記フレキシブル基板（３００）が取り付けられている剛性コア（１００）であって、それにより、前記剛性コア（１００）から離れる向きに突出している前記気圧センサ（４００）と共に前記剛性コア（１００）を前記フレキシブル回路基板（３００）が少なくとも部分的に覆っている、剛性コア（１００）と、
前記気圧センサ（４００）を覆いかつ計測表面（２１０）を提供している、追従層（２００）と、
請求項１０５に記載の力の推論モジュールと
を備える、
力を検知するセンサの構成（１０）。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、センサの構成の力の推論の方法、複数のネットワークを訓練する方法、力の推論のモジュール、及びセンサの構成に関する。

【背景技術】

【0002】

ロボットのような用途を開発するとき、ロボットの手、もしくは脚や操作装置のようなロボットの別の部分に加えられる力の検知は、ロボットが動き回ったり、物体を操作したりする機能を高めるのに重要である。加えられた力に関するフィードバックを得るためにロボット用途で使用できるセンサの構成の既知の実装は、非常に高価であり、十分な分解能を持っていない。

【0003】

そのような構成が力の計測に使われるだろう。しかしながら既知のセンサの構成は、高い空間解像度を出すには、高密度のセンサ（の配置）が必要である。

【発明の概要】

【発明が解決しようとする課題】

【0004】

よって、本発明の課題は、従来技術と異なり、従来技術に関して最適化した、センサの構成の力の推論の方法と、これに関連する方法を提供することである。さらなる課題は、それらの方法を実行する力の推論のモジュールを提供することである。さらなる課題は、そのような力の推論のモジュールを持つ、力を検知するセンサの構成を提供することである。

【課題を解決するための手段】

【0005】

課題は、主な請求項の主題で達成される。好ましい実施形態は、例えば、従属請求項から導出できる。特許請求の範囲の内容は、明示的な参照により記載の内容となる。

【0006】

本発明は、力を検知するセンサの構成の力の推論の方法に関する。

【0007】

このようなセンサの構成、特に本方法を使用できるセンサの構成は、特に複数の気圧センサを備えてよい。追従層をさらに備えてよい。追従層は、特に気圧センサを覆い、計測表面を提供してよい。例えば、本発明方法を使用できるこのようなセンサの構成は、本明細書に記載されるようなセンサの構成であってもよいし、本明細書に記載されるような方法に従って製造できる。センサの配置又は製造方法に関しては、開示された実施形態及び変形例の全てを使ってよい。

【0008】

力の推論方法は、次のステップを備える。
－ 気圧センサから圧力値を読み出すステップと、
－ 順伝播型ニューラルネットワークを用いて圧力値に基づいて計測表面上の力のマップを計算するステップであって、この力のマップは複数の力のベクトルを備える、力のマップを計算するステップと
である。

【0009】

このような方法を使い、気圧センサで高解像度と高度な情報との少なくとも一方を取得できるように、センサの力の推論を実行できる。これが可能なのは、順伝播型ニューラルネットワークが気圧センサの間隔よりもはるかに細かい解像度で力情報を提供できることがわかっているためである。（この方法の利用により）さらなる情報の提供もできる。この機能は、順伝播型ニューラルネットワークが適切に訓練されている場合に特に取得できる。訓練の好ましい（複数の）実装は、以下さらに示す。

【0010】

気圧センサは、特定の気圧センサに加えられた圧力に（例えば、直線的に）依存する出力信号を生成するように適合可能である。特に、圧力は計測表面から気圧センサに中継され、典型的には、計測表面に最小限の広がりで加えられた力でさえ、いくつかの気圧センサに中継されるため、順伝播型ニューラルネットワークなどの技術を使用して細かい分解能を得られる。

【0011】

センサの構成に関しては、本明細書に示す実施形態及び変形例の説明を含む詳細な説明の記載が参照される。

【0012】

力のマップは、特に、実際の計測表面上で定義されるマップであってもよい。ここでは、力のマップは、複数のマップ点を備えてよい。各マップ点において、いくつかの情報、例えば、以下でさらに説明するように力のベクトルが定義され得る。力のマップは典型的には、計測表面に適用される力に関する情報を提供する。例えば、このような力は、圧子又は計測表面を押すいくつかの圧子、又はセンサの構成によって現在操作されている物体（例えば、センサの構成がロボットの先端である場合）から生じ得る。

【0013】

１実装では、順伝播型ニューラルネットワークは、転移ネットワーク及び再構築ネットワークを備える。転移ネットワークは、気圧センサをセンサの構成の有限要素モデルの複数の仮想センサに図示する。再構築ネットワークは、有限要素モデルの仮想センサを力のマップに図示する。各仮想センサは、各々が仮想センサの点の値を持つ、１つ又はそれより多い仮想センサ点を備えてもよい。

【0014】

よって、順伝播型ニューラルネットワークは、この実装で分割される。これにより機能が向上し、以下でさらに説明するように、特には、訓練の可能性が向上する。

【0015】

転移ネットワークは、特に実際の気圧センサ、又は気圧センサから発生する出力値を有限要素モデルに図示できる。有限要素モデルは、特に実際のセンサの構成の仮想モデルであってもよい。これは、特に力の推論能力の強化用に使用されてよい。有限要素モデルは、有限要素法を用いてモデル化できる。それ（有限要素モデル）は、使用される実際の成分及び材料の仮想表現を備えてよい。例えば、使用される材料のヤング率とポアソン比は、実際のセンサの構成と同じものを使える。また、距離及びその他の幾何学的寸法は、実際のセンサの構成と仮想有限要素モデルの間で同一であってもよい。ただし、有限要素モデルは、主に訓練に使用される構成要素であり、訓練が行われた後に力の推論にのみ使用される実装で必ずしも実装する必要はないことに留意されたい。訓練が行われた場合、転移ネットワーク及び再構築ネットワークは、完全な有限要素モデルとは別に使用可能である。この場合、それぞれの場合において、力の推論が行われるべきである。すなわち力のマップが得られるべきであり、前記気圧センサから読み出された出力値は、最初に転移ネットワークによって前記仮想センサの点の値に図示され、このようにして得られた仮想センサの点の値は、再構築ネットワークによって力のマップに図示（マッピング）される。

【0016】

典型的には、転移ネットワーク及び再構築ネットワークは人工ニューラルネットワークである。図示は、入力値がネットワークに供給され、ネットワークがその訓練に基づいて出力値を生成することを特に意味する場合がある。訓練は、ネットワークの挙動を定義する複数の値を適応させてもよい。例えば、ネットワークの動作を定義するために、約１００万の数値を使ってよい。転移ネットワークの場合、気圧センサから発信されるデータが供給され、仮想センサの点の値が生成されてもよい。再構築ネットワークの場合、仮想センサの点の値を供給してもよく、そしてこれが力のマップを生成するだろう。順伝播型ニューラルネットワーク全体は、分割されているかどうかにかかわらず、気圧センサから発信されるデータが供給されて、そしてこれが力のマップを生成するだろう。

【0017】

仮想センサは、センサ点への実際のセンサの区間化と見なせる。実際のセンサ、例えば気圧センサは、それに加えられた１つの力を１つの出力信号に変換してもよいが、仮想センサは、そのような力を複数のセンサの点の値に変換してもよい。典型的には、センサの点の値は、実際のセンサの構成における気圧センサに対応する有限要素モデル域に配置される。有限要素モデル内の域は、例えば、１０％又は５０％前後もよい。仮想センサの概念では、気圧センサは典型的には、力の推論で正確な位置を使用するのに十分な精度で位置が既知の点に配置されてはいないという事実も考慮している。仮想センサ点で有限要素モデルを使用すると、このような変動にもかかわらず、信頼性の高い力の推論が可能になる。

【0018】

以下では、ネットワークの訓練の複数観点について説明する。ここの記載の部分で言及されている訓練の手順は、特に実際の力計測の力の推論が実行される前に実行されたステップと見なす必要がある。よって、力の推論の方法は、力の推論の前に実行される訓練ステップと、訓練されたネットワーク又は訓練されたネットワークを用いた力の推論との組み合わせと考えられる。力の推論の方法は、それに応じて訓練された１ネットワーク又は複数ネットワークを使う、力の推論自体と見なせる。さらに以下では、個別の訓練方法について説明する。それらは、任意の力の推論から独立して実行できる。典型的には気圧センサが読み出され、力のマップが生成される力の推論は、ある使用（ユースケース）の場合で実行される行為と考慮される。「ある使用」とは、すなわち、センサの構成を、計測表面に加えられる力の計測又は評価に使う場合である。そのような場合とは、例えば、センサの構成が現在、物体を操作しているか、そうでなければ圧力を加える物体と接触していることが理由である。

【0019】

１実装では、再構築ネットワークは、力の推論の前に実行される以下のステップで訓練されていてもよい。
－ 有限要素モデルにおいて複数の模擬試験を実行するステップであって、各模擬試験は、前記有限要素モデルの模擬計測表面に１つ以上の模擬力を同時に適用することを備え、それによって、模擬計測表面上の模擬力のマップを計算し、複数の模擬力のベクトルを備える前記模擬力のマップは複数の模擬力のベクトルを備え、前記有限要素モデルを用いて対応する仮想センサの点の値を算出する、複数の模擬試験を実行するステップと、
－ 計算された模擬力のマップと対応する計算された仮想センサの点の値を使用して、再構築ネットワークを訓練するステップ
である。

【0020】

再構築ネットワーク用のそのような訓練ステップは、仮想センサの点の値から、典型的にはセンサの構成の意図された出力である正確で微細な力のマップを生成できるように再構築ネットワークを適切に訓練するのに使われてよい。仮想センサの点の値は、特に転移ネットワークによって取得できる。

【0021】

再構築ネットワークの訓練には模擬試験のみの使用が適切であることが証明されている。特に、このような模擬試験は、１つの力だけでなく、計測表面に加わる複数の力も検出できるように再構築ネットワークの訓練に使われてよい。これは、衝突回避の問題及び複雑な実験用設定ゆえ２個又はそれより多い個数の力の同時適用が複雑である実際の力の試験でネットワークを訓練するよりもはるかに簡単である。再構築ネットワークの学習に模擬試験を用いるだけで、力のマップの再構築に高い信頼性が得られることが示されている。模擬試験は、特に、コンピュータで実行されてよいし、もしくは別のプログラム可能なエンティティと、自動データ処理エンティティとの少なくとも一方において実行されてよい。

【0022】

有限要素モデルの訓練は、純粋にコンピュータでの模擬試験（コンピュータシミュレーション）によって特に実行してよい。よって、模擬力も、そのようなコンピュータでの模擬試験内でのみ適用される。模擬計測表面は、典型的には、有限要素モデルの面（例えば、有限要素モデルの模擬表面）である。よって、模擬計測表面も模擬試験中にのみ存在する。ここで、計測表面は実際の（本発明による）センサの構成の表面である。

【0023】

模擬力は、模擬計測表面の模擬試験に適用される。これにより、模擬力のマップが形成される。模擬力のマップは、複数の模擬力のベクトルを備える。ここでは、各模擬力のベクトルは、模擬力のマップのローカル値を与える。模擬力のマップは、模擬計測表面の変形として表せるか、さらにあるいは替わりに計算で得られる。特には有限要素法を使用して計算できる。

【0024】

仮想センサの点の値は、有限要素法によっても計算できる。特に、実際のセンサの構成を表す有限要素モデルの模擬力と構造的及び材料的特性は、模擬力のマップと仮想センサの点の値の両方を決定するだろう。これにより、模擬力のマップと仮想センサの点の値の間の関係が得られる。

【0025】

力の推論において、仮想センサの点の値は、実際の力を間接的に計測する気圧センサのデータに基づいて生成され得る。仮想センサの点の値と模擬試験から得られる模擬力のマップとの関係により、再構築ネットワークによって力のマップを再構築できる。

【0026】

仮想センサの点の値から力のマップを生成することは、再構築として表されることに留意されたい。そのため、このような再構築を行うネットワークを再構築ネットワークと表記する。

【0027】

再構築ネットワークを訓練する場合、実行された模擬試験からのデータを使ってよい。そのようなデータは、特に、模擬力のマップ及び対応する仮想センサの点の値を備えてよい。

【0028】

１実装では、模擬計測表面に適用される模擬力は、模擬圧子形状を持つ各模擬圧子に基づいて生成される。形状は、模擬試験において模擬計測表面に接触する模擬圧子の部分に特に関係する場合がある。よって、模擬圧子は、模擬力を定義するために模擬試験で使用される物体である。

【0029】

１実装では、模擬圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される。このような模擬圧子形状は、適用するとき計測表面に接触する実際の物体の典型的な形状に対応するため、適切であることが証明されている。このような異なる圧子形状を使用すると、実際の計測表面に適用された対応する形状又は類似の形状を再構築するために、再構築ネットワークの訓練が大幅に改善される。言及された各形状を使用できる、言及された形状を１つだけ使用できる、もしくは言及した形状の選択を使用できることに留意されたい。代替的に、又はそれに加えて、他の形状を使用できる。模擬試験で複数の圧子を使用する場合、複数の圧子の形状は同一又は異なってよい。

【0030】

１実装では、再構築ネットワークは、複数の異なる模擬圧子形状を用いて訓練された。これにより、異なる圧子形状によって生成される力を区別できるように、再構築ネットワークの訓練が可能になる。特に、使用する圧子形状ごと、又は使用する圧子形状の組み合わせごとに、１回又は複数の模擬試験を実行できる。このような模擬試験は、例えば、圧子の数と、単数又は複数の圧子が適用される位置との少なくとも一方で異なる場合がある。

【0031】

１実装では、模擬圧子の複数のサイズを使って、再構築ネットワークが訓練された。さらに、又は異なる形状を使用する代わりに、これにより、再構築ネットワークを訓練して、異なるサイズの力を適用する複数の圧子又は他の複数の物体を区別できる。例えば、模擬計測表面に異なるサイズの接触部分を使ってよい。異なる圧子形状の使用に関して与えられる模擬試験の実行に関する記載は、それに応じて適用される。また、さまざまな圧子形状と圧子サイズの組み合わせが可能である。

【0032】

１実装では、再構築ネットワークは、２つ以上の模擬圧子に基づいて生成された模擬力の同時適用を備える模擬試験の少なくとも一部で訓練された。これにより、１つの圧子のみによって適用される力と２つ以上の圧子によって適用される力を区別する再構築ネットワークを訓練できる。これは特に模擬試験で実行可能であり、２つ以上の圧子のそのような適用を実行する実験用設定を準備するよりもはるかに簡単である。

【0033】

１実装では、再構築ネットワークは、１つの模擬圧子のみに基づいて生成された模擬力の適用を備える模擬試験の少なくとも一部で訓練された。これにより、圧子が１つだけ適用された場合の力のマップの再構築用の特定の訓練が可能になる。

【0034】

例えば、一般的な訓練では、次の数（回数）の模擬訓練を実行してよい。

【0035】

単一接触で再構築ネットワークを訓練するとき、１０，０００から５０，０００まで、又は３０，０００回の、模擬試験を実行できる。

【0036】

２回接触で再構築ネットワークを訓練するとき、５，０００から２０，０００まで、又は１０，０００回の模擬試験を実行できる。

【0037】

３回接触で再構築ネットワークを訓練するとき、５，０００から２０，０００まで、又は１０，０００回の模擬試験を実行できる。

【0038】

４回接触で再構築ネットワークを訓練するとき、５，０００から２０，０００まで、又は１０，０００回の模擬試験を実行できる。

【0039】

５回接触で再構築ネットワークを訓練するとき、５，０００から２０，０００まで、又は１０，０００回の模擬試験を実行できる。

【0040】

しかしながら、これらは典型的な値又は推奨される値にすぎない。一般に、任意の数の模擬試験を実行できる。例えば、２回接触は２つの力の同時適用を意味し、３回接触は３つの力の同時適用を意味し、４回接触は４つの力の同時適用を意味し、５回接触は５つの力の同時適用を意味する。このような模擬試験は、訓練時に組み合わせ可能である。

【0041】

１実装では、模擬力のベクトルの各々は、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。よって、力のマップはこれらの成分に関する情報を提供する。従来技術による典型的な実装では、せん断力は再構築できていなかったことに留意されたい。しかし、このような成分を用いた模擬力のベクトルを用いて模擬試験による再構築ネットワークの訓練を行うと、垂直抗力に加えてせん断力を再構築できることが示されている。これは、複数の用途、例えば対象物を操作するロボット用途において価値のある追加情報を与える。

【0042】

１実装では、模擬力のベクトルのうち、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応する。特に、第１せん断力は第２せん断力に垂直である。これにより、せん断力の垂直方向により、簡単に使用できる情報が提供される。

【0043】

力のベクトルは、代替的に、３個前後の成分を持ってよいことに留意されたい。

【0044】

１実装では、再構築ネットワークは、異なるせん断力成分を持つ複数の模擬力を用いて訓練された。これにより、計測表面に加えられる異なるせん断力を区別する再構築ネットワークを訓練できる。せん断力は、１つの模擬試験と、異なる複数の模擬試験間との少なくとも一方で使用される、力の異なる複数成分の間で変わり得る。

【0045】

１実装では、再構築ネットワークは、異なる垂直抗力成分を持つ複数の模擬力を用いて訓練された。これにより、計測表面に加えられるさまざまな垂直抗力を微分する再構築ネットワークを訓練できる。垂直方向の力は、１つの模擬試験と異なる複数の模擬試験間との少なくとも一方で使用される、力の異なる複数の力の中で変わり得る。

【0046】

異なる模擬圧子と、異なる模擬圧子形状と、異なる模擬圧子サイズと、異なる模擬せん断力又は異なる模擬せん断力成分との中の少なくとも１つを使用するという概念は、力の推論の目的でニューラルネットワークを訓練するときに他の事情や状況（コンテキスト）でも適用できることに留意されたい。これは、本明細書で与えられるセンサの構成の実装とは無関係である。同じことが実際の圧子と複数の力との少なくとも一方にも当てはまる。

【0047】

１実装では、転移ネットワークは、力の推論の前に実行される以下のステップで訓練されていてよい。
－ センサの構成に対して複数の力の試験を実施するステップであって、各力の試験は、センサの構成の計測表面上の位置に１つの圧子によって力を加えること、圧子によって加えられた力を同時に計測すること、気圧センサを用いて圧力値を同時に計測することを備える、力の試験を実施するステップと、
－ 各力の試験について、前記有限要素モデルと対応する模擬試験を実行するステップであって、
各模擬試験は、前記有限要素モデルの模擬計測表面に模擬力を加えることを備え、それによって前記模擬計測表面上の模擬力のマップを計算し、複数の模擬力のベクトルを備える模擬力のマップは複数の模擬力のベクトルを備えて、模擬力は前記計測された力に相当するとともに前記計測表面上の位置に対応する前記模擬計測表面上の位置に加えられる力である、模擬試験を実行するステップ及び
有限要素モデルを用いて、対応する仮想センサの点の値を計算するステップと、
－ 計測された圧力値と対応する計算された仮想センサの点の値で転移ネットワークを訓練するステップと
である。

【0048】

力の試験は、模擬試験とは対照的に、実際の物理的なセンサの構成で実行される試験である。圧子は、計測表面に接触するように特別に設計された物体であってもよい。力の試験は、センサの構成が静止した圧子に対して移動するように、もしくは圧子が静止したセンサの構成に対して移動するように実行され得る。また、センサの構成と圧子の両方の移動が適用できる。力は圧子の適用中に計測され、模擬試験に適用される模擬力の基礎を形成する場合がある。後者の取り組みは可能だが、より複雑であるため、具体的に定義された力を適用しようとするのではなく、力の計測が適切であることが証明されている。圧力値は典型的には、気圧センサの出力信号である。

【0049】

複数の力を正しく評価する順伝播型ニューラルネットワークを準備するために、複数の圧子を同時に適用して力の試験を行う必要がないことがわかっていることを、特記しておきたい。これは、上述したように、転移ネットワークを訓練する模擬試験によって行える。

【0050】

転移ネットワークを訓練する模擬試験は、特に、再構築ネットワークを訓練する模擬試験に使用されるのと同じ有限要素モデルを使用して実行できる。

【0051】

模擬試験では、模擬力と有限要素モデルの構造及び材料特性が、典型的には、有限要素モデルで実行される計算の基礎となる。特に、模擬力は、計算された模擬力のマップと計算された仮想センサの点の値につながる。よって、有限要素モデルは、計測表面に実際に加えられた力に対応する仮想センサの点の値の計算に使用される。

【0052】

模擬力は、特に実際に計測された力に対応してよい。例えば、模擬力は、（計測された力と）同じ成分と、同じ絶対値と、同じ方向との中の少なくとも１つを持ち得る。特に、模擬力は、模擬計測表面に模擬力を適用する模擬圧子の接触領域にわたって積分を有し、計測された力又は実際の接触領域にわたる実際の力と計測された力との少なくとも一方の積分と等しいか、又は事前定義された関係を持ち得る。これは、例えば、力の振幅と方向との少なくとも一方に関連し得る。また、計測された力と模擬力との間の事前定義された変動を使用でき、これも対応する力と見なせる。

【0053】

位置は、例えば、計測でき、カメラを用いた画像認識から得られて、もしくは力の試験を行うときに機械変数から計算できる。模擬力は、特に、実際の力が適用される実際の計測表面上の位置と同じ模擬計測表面の位置に適用されてよい。これにより、実験と模擬試験の間に良好な対応関係が得られる。

【0054】

転移ネットワークを訓練する場合、実験データと模擬試験データの両方を使用できる。このような模擬試験データは、特に、気圧センサの圧力値及び対応する模擬試験からの仮想センサの点の値を備えてよい。

【0055】

１実装では、転移ネットワークを訓練する力の試験は、それぞれがそれぞれの圧子形状を持つ複数の圧子を用いて行われる。形状は、特に力の試験において計測表面に接触する圧子の部分に関係し得る。よって、圧子は、計測表面に加えられている力を決めるために力の試験で使用される物体である。特に、各力の試験では圧子形状の群の中の１つを用いる複数の力の試験を行える。典型的には、各力の試験で使用される圧子は１つだけである。

【0056】

１実装では、圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される。このような圧子形状は、適用で計測表面に接触する物体の典型的な形状に対応するため、適切であることが証明されている。このような異なる圧子形状を使用すると、計測表面に適用された対応する又は類似の形状を再構築するために、転移ネットワークの訓練が大幅に改善される。言及された各形状を使用できる、言及された形状を１つだけ使用できる、もしくは言及された形状から選択して使用できることに留意されたい。代替的に、もしくは加えて、他の形状を使用できる。

【0057】

１実装では、模擬試験は、対応する力の試験で使用される実際の圧子形状に相当するそれぞれの模擬圧子形状を持つ模擬圧子に基づく模擬力で実行される。これにより、力の試験と模擬試験の最適な対応が保証され、転移ネットワークを理想的に訓練できる。

【0058】

１実装では、転移ネットワークは、複数の異なる圧子形状を用いて訓練された。これにより、異なる圧子形状によって生成される複数の力を区別できるように、転移ネットワークの訓練が可能になる。典型的には、異なる圧子形状は、各力の試験に１つの圧子のみが適用されるため、複数の力の試験に分散される。

【0059】

１実装では、転移ネットワークは、異なるサイズの複数の圧子を使用して訓練された。さらに、例えば異なる形状を使用する代わりに、これにより、異なるサイズの力を適用する圧子又は他の物体を区別するために転移ネットワークを訓練できる。例えば、計測表面に対して異なるサイズの接触部分が使用可能である。

【0060】

１実装では、転移ネットワークは、転移ネットワークを訓練する力の試験の少なくとも一部について、それぞれのせん断力で加えられている圧子で訓練された。これにより、計測表面に加えられるさまざまなせん断力を区別するために、転移ネットワークを訓練できる。特に、異なるせん断力又はせん断力成分を用いて複数の力の試験を行える。

【0061】

１実装では、計測された力は、それぞれ、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。よって、計測された力はこれらの成分に関する情報を提供する。従来技術による典型的な実装では、せん断力は計測できていなかったことに留意されたい。しかし、言及された成分を持つそのような模擬力のベクトルを力の試験による転移ネットワークの訓練に使用すると、垂直抗力に加えてせん断力を再構築できることが示されている。これは、複数の用途、例えばロボットの先端を制御するロボット用途において価値のある追加情報を与える。

【0062】

１実装では、計測された力のうち、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応する。特に、第１せん断力は第２せん断力に垂直である。これにより、せん断力の垂直方向により、簡単に使用できる情報が提供される。

【0063】

計測された力は、代替的に、３つ前後の成分を備え得ることに留意されたい。

【0064】

計測された力は、グローバル座標系で表してよい。また、法線成分が接触点で計測表面に局所的に垂直であり、法線成分であることと、互いに垂直であることとの少なくとも一方の複数のせん断力で表されてよい。これは、座標変換を使用して別の座標系の成分を計算できるため、同等と見なされる。

【0065】

１実装では、転移ネットワークは、異なるせん断力成分を持つ複数の力を用いて訓練された。これにより、計測表面に加えられるさまざまなせん断力を区別する搬送ネットワークを訓練できる。せん断力は、１つの模擬試験と、異なる複数の模擬試験間との少なくとも一方で使用される、力の異なる複数成分の間で変わり得る。

【0066】

１実装では、転移ネットワークは、異なる垂直抗力成分を持つ複数の力を用いて訓練された。これにより、計測表面に加えられるさまざまな垂直抗力を微分する転移ネットワークを訓練できる。垂直抗力は、異なる力の試験と対応する模擬試験の間で特に異なる場合がある。

【0067】

１実装では、圧子によって加えられる力は、圧子内又は圧子の隣に配置された力のセンサを使用して計測される。このような力のセンサは、圧子によって計測表面に加わる力を計測してもよい。特に、例えば上で論じたように、力の３つの成分を計測してもよい。圧子の隣に力のセンサを配置することは、特に、圧子に接触することと、圧子と圧子を取り付ける物体との間に配置されることとの少なくとも一方で位置決めすることを備えてよい。

【0068】

１実装では、模擬力のベクトルの各々は、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。これは特に計測された力に相当し得る。よって、模擬力は、力の試験で、実際に加えられる力に対応する模擬試験に使用できる。

【0069】

１実装では、順伝播型ニューラルネットワークは、気圧センサを力のマップに直接図示する。これは、順伝播型ニューラルネットワークを転移ネットワークと再構築ネットワークに分割することの代替実装と見なせる。特に、この実装では、圧力値から仮想センサの点の値への図示は使用されない。代わりに、訓練され、圧力値を力のマップに直接図示するニューラルネットワークは１つだけである。

【0070】

例えば、転移ネットワークを適切に訓練するために、２０回と１００回の間の力の試験及び対応する模擬試験、もしくは５０個の力の試験及び対応する模擬試験を実行できる。

【0071】

さらなる複数例として、少なくとも２０の力の試験、少なくとも５０の力の試験、少なくとも１００の力の試験、少なくとも５００の力の試験、少なくとも１，０００の力の試験、少なくとも２，０００の力の試験又は少なくとも１０，０００の力の試験と最大５００の力の試験、最大１，０００の力の試験、最大２，０００の力の試験、 最大１０，０００の力の試験又は最大５０，０００の力の試験との少なくともを一方実行できる。しかしながら、他の数も使ってよい。

【0072】

力の試験は、特に、各場合において、力が事前に決定されていないが計測される方法で実行できる。異なる力を得るために、異なる装置変数を使用できる。

【0073】

１実装では、順伝播型ニューラルネットワークは、力の推論の前に実行される以下のステップで訓練されてもよい。
－ センサの構成に対して複数の力の試験を行うステップであって、各力の試験は、
前記センサの構成の計測表面上の位置に１つの圧子により力を加えることと、前記圧子によって加えられる力を同時に計測することと、
前記気圧センサを用いて圧力値を同時に計測することを備える、複数の力の試験を行うステップと、
－ 各力の試験について、センサの構成の有限要素モデルで対応する模擬試験を実行するステップであって、
各模擬試験は、有限要素モデルの模擬計測表面に模擬力を適用することを備え、それによって、模擬計測表面上の模擬力のマップを計算し、
模擬力のマップは、複数の模擬力のベクトルを備え、
模擬力は、計測された力に相当し、前記計測表面上の位置に対応する前記模擬計測表面上の位置に加えられる、
模擬試験を実行するステップと、
－ 計測された圧力値と対応する計算された模擬力のマップを使用して順伝播型ニューラルネットワークを訓練するステップと
である。

【0074】

このような訓練は、仮想センサの点の値が使われない場合にも実行できる。これは、例えば、順伝播型ニューラルネットワークが、上で論じたように、圧力値を力のマップに直接図示する実装において使用できる。しかしながら、特に転移ネットワークと再構築ネットワークを別々に訓練することに加えて、上で論じたように順伝播型ニューラルネットワークを転移ネットワークと再構築ネットワークに分割する実装においても使ってよい。

【0075】

力の試験と模擬試験の詳細については、転移ネットワークの訓練と再構築ネットワークの訓練に関する上述の記載が参照される。

【0076】

１実装では、順伝播型ニューラルネットワークを訓練する力の試験は、各圧子が各圧子形状を持つ複数の圧子を用いて実行される。形状は、特に力の試験において計測表面に接触する圧子の部分に関係し得る。このように、圧子は、計測表面に力を加える力の試験に用いられる物体である。

【0077】

１実装では、圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される。このような圧子形状は、適用で計測表面に接触する物体の典型的な形状に対応するため、適切であることが証明されている。このような異なる圧子形状を使用すると、計測表面に適用された対応する形状又は類似の形状を再構築するために、順伝播型ニューラルネットワークの訓練が大幅に改善される。言及された各形状を使用できる、言及された形状を１つだけ使用できる、もしくは言及された形状の選択を使用できることに留意されたい。代替的に、もしくは加えて、他の形状を使用できる。

【0078】

１実装では、模擬試験は、対応する力の試験で使用される実際の圧子形状に対応するそれぞれの模擬圧子形状を持つ模擬圧子に基づく模擬力で実行される。これにより、力の試験と模擬試験の間の最適な対応が保証されるため、順伝播型ニューラルネットワークを理想的に訓練できる。

【0079】

１実装では、順伝播型ニューラルネットワークは、複数の異なる圧子形状を用いて訓練された。これにより、異なる圧子形状によって生成される力を区別できるように、順伝播型ニューラルネットワークの訓練が可能になる。

【0080】

１実装では、順伝播型ニューラルネットワークは、異なるサイズの複数の圧子を使用して訓練された。さらに、例えば異なる形状を使用する代わりに、これにより、順伝播型ニューラルネットワークを訓練して、異なるサイズの力を加える、複数の圧子又は他の複数物体を区別できる。例えば、計測表面に対して異なるサイズの接触部分が使用可能である。

【0081】

１実装では、順伝播型ニューラルネットワークは、順伝播型ニューラルネットワークを訓練する力の試験の少なくとも一部について、各せん断力で適用されている圧子で訓練された。これにより、計測表面に加えられる異なるせん断力を区別するために順伝播型ニューラルネットワークを訓練できる。特に、異なるせん断力又はせん断力成分を用いて複数の力の試験を行える。

【0082】

１実装では、各計測された力は、垂直抗力成分、第１せん断力成分及び第２せん断力成分を持つ。よって、計測された力はこれらの成分に関する情報を提供する。従来技術による典型的な実装では、せん断力は計測できなかったことに留意されたい。しかし、上記の成分を持つそのような模擬力のベクトルが力の試験で順伝播型ニューラルネットワークの訓練に使用される場合、垂直抗力に加えてせん断力を再構築できることが示されている。これは、複数の用途、例えばロボットの先端を制御するロボット用途において価値のある追加情報を与える。

【0083】

１実装では、計測された力のうち、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応する。特に、第１せん断力は第２せん断力に垂直である。これにより、せん断力の垂直方向により、簡単に使用できる情報が提供される。

【0084】

計測された力は、代替的に、３つ前後の成分を備え得ることに留意されたい。

【0085】

１実装では、順伝播型ニューラルネットワークは、異なるせん断力成分を持つ複数の力を用いて訓練された。これにより、計測表面に加えられる異なるせん断力を区別する順伝播型ニューラルネットワークを訓練できる。せん断力は、１つの模擬試験と、異なる複数の模擬試験間との少なくとも一方で使用される、力の異なる複数成分の間で変わり得る。

【0086】

１実装では、順伝播型ニューラルネットワークは、異なる垂直抗力成分を持つ複数の力を用いて訓練された。これにより、計測表面に加えられた異なる垂直抗力を微分する順伝播型ニューラルネットワークを訓練できる。垂直抗力は、異なる複数の力の試験間で特には異なる場合がある。

【0087】

１実装では、圧子によって加えられる力は、圧子内又は圧子の隣に配置された力のセンサを使用して計測される。このような力のセンサは、圧子によって計測表面に加わる力を計測してもよい。特に、例えば先に論じたように、力の３つの成分を計測してもよい。圧子の隣に力のセンサを配置することは、特に、圧子に接触することと、圧子と圧子を取り付ける物体との間に配置されることとの少なくとも一方で位置決めすることを備えてよい。

【0088】

１実装では、各模擬力のベクトルは、垂直抗力成分と、第１せん断力成分と、第２せん断力成分を備える。これは特に計測された力に相当し得る。よって、模擬力は、力の試験で実際に加えられた力に相当する模擬試験に使用できる。

【0089】

以下では、主に訓練ではなく、力の推論の実際の処理工程に関連する側面が説明される。

【0090】

１実装では、計算された力のマップが基づく圧力値は、同時に又は予め決めた期間に読み出される。これにより、全ての圧力値が力の同じ適用に関連するようになる。

【0091】

典型的な実装では、力のマップは、ｍｍ^２（１×１０^－６ｍ^２）当たり少なくとも０．２５の力のベクトル、ｍｍ^２当たり少なくとも０．５の力のベクトル、ｍｍ^２当たり少なくとも０．７５の力のベクトル、ｍｍ^２当たり少なくとも１の力のベクトル、ｍｍ^２当たり少なくとも１．５の力のベクトル、又はｍｍ^２当たり少なくとも２の力のベクトルを備える。

【0092】

典型的な実装では、力のマップは、ｍｍ^２当たり最大０．２５の力のベクトル、ｍｍ^２当たり最大０．５の力のベクトル、ｍｍ^２当たり最大０．７５の力のベクトル、ｍｍ^２当たり最大１の力のベクトル、ｍｍ^２当たり最大１．５の力のベクトル、又はｍｍ^２当たり最大２の力のベクトルを備える。

【0093】

このような密度の力のベクトルは、十分な分解能を提供し、広く利用可能な計算能力で得られるため、典型的な用途に適していることが証明されている。それぞれの低い値をそれぞれの高い値と組み合わせて、適切な間隔を形成できる。また、他の密度の力のベクトルを使用できる。

【0094】

典型的な実装では、力のマップは、少なくとも５００、少なくとも１０００、又は少なくとも２０００の力のベクトルを備える。典型的な実装では、力のマップは、最大１０００、最大２０００、最大３０００、又は最大４０００の力のベクトルを備える。このような実装形態は、例えば、センサの構成がほぼ人間サイズのロボットの先端である場合に使用できる。

【0095】

好ましい１実装では、各力のベクトルは、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。これにより、適切な３次元情報を提供する力のマップが得られる。

【0096】

特には、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応してもよい。第１せん断力は、特に第２せん断力に対して垂直であってもよい。これにより、力のマップによって与えられる、適用された力の適切なせん断力情報が可能になる。

【0097】

１実装では、力の推論の方法は、気圧センサから温度値を読み出し、温度値に基づいてセンサの構成の温度情報又は温度マップを提供することをさらに備える。これにより、追加の温度情報が得られ、例えばロボット制御用途で使用できる。例えば、気圧センサに存在する温度計測機能をこの目的に使用できる。

【0098】

方法が力のマップと模擬力のマップの両方を備える場合、典型的には、力のマップはセンサの構成に関連し、模擬力のマップは有限要素モデルに関連することに留意されたい。これらの力のマップの１つに対して与えられた記載は、典型的には、これらの力のマップの両方に適用できる。

【0099】

以下では、ネットワークの訓練の個別の方法について説明する。これらの方法は、力の推論の方法の一部ではなく、ネットワークを訓練するために別々に実行される。それぞれの特徴に関しては、繰り返しを避けるために、ネットワークの訓練と力の推論の方法に関して上述の記載が参照される。

【0100】

本発明は、再構築ネットワークを訓練する方法に関し、
－ ここでは、再構築ネットワークは、センサの構成の有限要素モデルの仮想センサを力のマップに図示し、
センサの構成は、複数の気圧センサと、気圧センサを覆いかつ計測表面を提供する追従層とを備え、
力のマップは、複数の力のベクトルを備え、
－ ここでは各仮想センサは、１個又はそれより多い仮想センサ点を備え、各点が仮想センサの点の値を持ち、
－ ここでは再構築ネットワークは、次のステップで訓練される。
－ 有限要素モデルにおいて複数の模擬試験を実行するステップであって、
各模擬試験は、有限要素モデルの模擬計測表面に１つ又はそれより多い模擬力を同時に適用することを備え、それによって、模擬計測表面上の模擬力のマップを計算し、
模擬力のマップは、複数の模擬力のベクトルを備える、複数の模擬試験を実行するステップと、
有限要素モデルを用いて、対応する仮想センサの点の値を計算するステップと、
－ 計算された模擬力のマップと対応する計算された仮想センサの点の値を使用して、再構築ネットワークを訓練するステップと
である。

【0101】

１実装では、模擬計測表面に適用される模擬力は、模擬圧子形状を持つ各模擬圧子に基づいて生成される。

【0102】

１実装では、模擬圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される。

【0103】

１実装では、再構築ネットワークは、複数の異なる模擬圧子形状を使用して訓練される。

【0104】

１実装では、再構築ネットワークは、複数のサイズの模擬圧子を使用して訓練される。

【0105】

１実装では、再構築ネットワークは、２個又はそれより多い模擬圧子に基づいて生成された模擬力の同時適用を備える模擬試験の少なくとも一部で訓練される。

【0106】

１実装では、再構築ネットワークは、１つの模擬圧子のみに基づいて生成された模擬力の適用を備える模擬試験の少なくとも一部で訓練される。

【0107】

１実装では、模擬力の各ベクトルは、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。

【0108】

１実装では、模擬力のベクトルのうち、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応し、そして第１せん断力は第２せん断力に垂直である。

【0109】

１実装では、再構築ネットワークは、異なるせん断力成分を持つ複数の模擬力を使用して訓練される。

【0110】

１実装では、再構築ネットワークは、異なる垂直抗力成分を持つ複数の模擬力を用いて訓練される。

【0111】

１実装では、再構築ネットワークは、転移ネットワーク及び再構築ネットワークを使用することに関して上述したような方法で使用される。

【0112】

各実装では、
－ 力のマップは、ｍｍ^２（１×１０^－６ｍ^２）当たり少なくとも０．２５の力のベクトル、ｍｍ^２当たり少なくとも０．５の力のベクトル、ｍｍ^２当たり少なくとも０．７５の力のベクトル、ｍｍ^２ 当たり少なくとも１の力のベクトル、ｍｍ^２当たり少なくとも１．５の力のベクトル、又はｍｍ^２当たり少なくとも２の力のベクトルを備えることと、
－ 力のマップは、ｍｍ^２当たり最大０．２５の力のベクトル、ｍｍ^２当たり最大０．５の力のベクトル、ｍｍ^２当たり最大０．７５の力のベクトル、ｍｍ^２当たり最大１の力のベクトル、ｍｍ^２当たり最大１．５の力のベクトル、又はｍｍ^２当たり最大２の力のベクトルを備えることと
の少なくとも一方である。

【0113】

１実装では、各力のベクトルは、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。

【0114】

１実装では、
－ 第１せん断力成分は第１せん断力に相当し、第２せん断力成分は第２せん断力に相当して、
－ 第１せん断力は第２せん断力に垂直である。

【0115】

同じことが、模擬力のマップ及びその模擬力のベクトルに真であってよい。

【0116】

本発明は転移ネットワークを訓練する方法に関し、
－ ここでは前記転移ネットワークは、センサの構成の気圧センサを、センサの構成の有限要素モデルの複数の仮想センサに図示し、
センサの構成が、
複数の気圧センサと、
気圧センサを覆い、計測表面を提供する追従層と
を備え、
－ここでは各仮想センサは、１つ又はそれより多い仮想センサ点を備え、それぞれが仮想センサの点の値を持ち、
－ここでは転移ネットワークは、次のステップで訓練される。
－ センサの構成に対して複数の力の試験を行うステップであって、
各力の試験がセンサの構成の計測表面上の位置に１つの圧子による力を加えて、圧子によって加えられた力を同時に計測し、同時に気圧センサで圧力値を計測することを備え、
－ 各力の試験について、有限要素モデルで対応する模擬試験を実行するステップであって、
各模擬試験は有限要素モデルの模擬計測表面に模擬力を適用することを備え、それにより、模擬計測表面上の模擬力のマップを計算し、
模擬力のマップは複数の模擬力のベクトルを備え、
模擬力は計測された力に対応しかつ計測表面上の位置に対応する模擬計測表面上の位置に適用される、模擬試験を実行するステップと、
有限要素モデルを用いて、対応する仮想センサの点の値を計算するステップと、
－ 計測された圧力値と対応する計算された仮想センサの点の値を使って転移ネットワークを訓練するステップと
である。

【0117】

１実装では、転移ネットワークを訓練する力の試験は、各圧子が各圧子形状を持つ複数の圧子を用いて行われる。

【0118】

１実装では、圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される。

【0119】

１実装では、模擬試験は、対応する力の試験で使用される実際の圧子形状に対応する各模擬圧子形状を持つ複数の模擬圧子に基づく複数の模擬力で実行される。

【0120】

１実装では、転移ネットワークは、複数の異なる圧子形状を使用して訓練される。

【0121】

１実装では、転移ネットワークは、異なるサイズの複数の圧子を使用して訓練される。

【0122】

１実装では、転移ネットワークは、転移ネットワークを訓練する力の試験の少なくとも一部について、それぞれのせん断力を持って適用される複数の圧子で訓練される。

【0123】

１実装では、各計測された力が、垂直抗力成分と、第１せん断力成分と、第２せん断力成分を持つ。

【0124】

１実装では、計測された力のうち、第１せん断力成分は第１せん断力に対応し、２せん断力成分は第２せん断力に対応する。そして、第１せん断力は第２せん断力に垂直である。

【0125】

１実装では、転移ネットワークは、異なるせん断力成分を持つ複数の力を用いて訓練される。

【0126】

１実装では、転移ネットワークは、異なる垂直抗力成分を持つ複数の力を用いて訓練される。

【0127】

１実装では、圧子によって加えられる力は、圧子内又は圧子の隣に配置された力のセンサを使用して計測される。

【0128】

１実装では、模擬力の各ベクトルは、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。

【0129】

１実装では、転移ネットワークは、転移ネットワーク及び再構築ネットワークを使用することに関して上述の方法で使われる。

【0130】

本発明は、順伝播型ニューラルネットワークを訓練する方法に関し、
－ ここでは順伝播型ニューラルネットワークは、気圧センサの圧力値に基づいて、センサの構成の計測表面上の力のマップを計算し、
センサの構成が、
複数の気圧センサと、
前記気圧センサを覆い、計測表面を提供する追従層とを備え、
力のマップは複数の力のベクトルを備え、
－ ここでは順伝播型ニューラルネットワークは、次のステップで訓練される。
－ 前記センサの構成に対して複数の力の試験を行うステップであって、
各力の試験が、前記センサの構成の計測表面上の位置に１つの圧子により力を加え、圧子によって加えられた力を同時に計測し、同時に気圧センサで圧力値を計測することを備え、
－ 各力の試験について、センサの構成の有限要素モデルで対応する模擬試験を実行するステップであって、
各模擬試験は、有限要素モデルの模擬計測表面に模擬力を適用することを備え、それによって、模擬計測表面上の模擬力のマップを計算し、
模擬力のマップは、複数の模擬力のベクトルを備え、
模擬力は、計測された力に相当し、前記計測表面上の位置に対応する前記模擬計測表面上の位置に加えられる、
模擬試験を実行するステップと、
－ 計測された圧力値と対応する計算された模擬力のマップを使用して順伝播型ニューラルネットワークを訓練するステップと
である。

【0131】

１実装では、順伝播型ニューラルネットワークを訓練する力の試験は、各圧子がそれぞれの圧子形状を持つ複数の圧子を用いて実行される。

【0132】

１実装では、圧子形状は、先端、円形、三角形断面、正方形断面、半球、立方体、及び円柱を少なくとも備える群から選択される。

【0133】

１実装では、模擬試験は、対応する力の試験で使用される実際の圧子形状に対応する各模擬圧子形状を持つ複数の模擬圧子に基づく複数の模擬力で実行される。

【0134】

１実装では、順伝播型ニューラルネットワークは、複数の異なる圧子形状を使用して訓練される。

【0135】

１実装では、順伝播型ニューラルネットワークは、異なるサイズを持つ複数の圧子を使用して訓練される。

【0136】

１実装では、順伝播型ニューラルネットワークは、順伝播型ニューラルネットワークを訓練する力の試験の少なくとも一部について、それぞれのせん断力を持つ複数の圧子で訓練される。

【0137】

１実装では、計測された各力は、それぞれ、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。

【0138】

１実装では、計測された複数の力のうち、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応し、そして第１せん断力は第２せん断力に垂直である。

【0139】

１実装では、順伝播型ニューラルネットワークは、異なるせん断力成分を持つ複数の力を使って訓練される。

【0140】

１実装では、順伝播型ニューラルネットワークは、異なる垂直抗力成分を持つ複数の力を使って訓練される。

【0141】

１実装では、力は、圧子内又は圧子の隣に配置された力のセンサを使用して計測される。

【0142】

１実装では、模擬力の各ベクトルは、垂直抗力成分、第１せん断力成分及び第２せん断力成分を持つ。

【0143】

１実装では、模擬力の複数ベクトルのうち、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応し、そして第１せん断力は第２せん断力に垂直である。

【0144】

１実装では、順伝播型ニューラルネットワークは、上述した力の推論の方法において使われる。

【0145】

各実装では、
－ 力のマップは、ｍｍ^２（１×１０^－６ｍ^２）当たり少なくとも０．２５の力のベクトル、ｍｍ^２当たり少なくとも０．５の力のベクトル、ｍｍ^２当たり少なくとも０．７５の力のベクトル、ｍｍ^２ 当たり少なくとも１個の力のベクトル、ｍｍ^２当たり少なくとも１．５の力のベクトル、又はｍｍ^２当たり少なくとも２の力のベクトルを備えること
－ 力のマップは、ｍｍ^２当たり最大０．２５の力のベクトル、ｍｍ^２当たり最大０．５の力のベクトル、ｍｍ^２当たり最大０．７５の力のベクトル、ｍｍ^２当たり最大１の力のベクトル、ｍｍ^２当たり最大１．５の力のベクトル、又はｍｍ^２当たり最大^２２の力のベクトルを備えること
上記の少なくとも一方である。

【0146】

１実装では、力の各ベクトルは、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。

【0147】

１実装では、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は前記第２せん断力に対応する。そして第１せん断力は第２せん断力に垂直である。

【0148】

以下では、本明細書に開示される方法を適用できるセンサの構成の詳細が、説明される。本明細書で与えられるそのようなセンサの構成の詳細又は説明がさらに参照され、参照に従って適用できる。

【0149】

特には、本明細書に開示される方法において、センサの構成は、力を検知するセンサの構成であってもよく、センサの構成は、
－ フレキシブル回路基板と、
－ フレキシブル回路基板に取り付けられている複数の気圧センサと、
－ フレキシブル回路基板の周りを覆いかつ前記フレキシブル基板が取り付けられている剛性コアであって、それにより、前記剛性コアから離れる向きに突出している前記気圧センサと共に前記剛性コアを前記フレキシブル回路基板が少なくとも部分的に覆っている、剛性コアと、
－ 気圧センサを覆いかつ計測表面を提供する追従層と
を備える。

【0150】

しかしながら、本明細書に開示される力の推論及び訓練の概念は、他のセンサの構成にも使用できることに留意されたい。これは特に、異なる圧子サイズ、異なる圧子形状、異なるせん断力と異なるせん断力成分との少なくとも一方の使用に関連している。そのような概念は一般化できる。

【0151】

１実装では、剛性コアはドーム形状である。

【0152】

１実装では、剛性コアは複数の平面部を有し、ここで、各気圧センサは、複数の平面部のうちの１つに配置される。

【0153】

１実装では、追従層は、プラスチック材料又はゴムを含有するか、もしくはそれからからなる。

【0154】

実施によれば、そのプラスチック材料は、熱可塑性プラスチック、エラストマー、熱可塑性エラストマー、又は熱硬化性樹脂である。

【0155】

１実装では、追従層は、計測表面に加えられた力を気圧センサの少なくとも一部に中継する。

【0156】

１実装では、気圧センサは、フレキシブル回路基板上の導体経路によって接続される。

【0157】

１実装では、フレキシブル回路基板はアスタリスクの形である。

【0158】

１実装では、フレキシブル回路基板は、中央部で接続されている複数の腕を備える。

【0159】

各実装により、気圧センサは、少なくとも１ｍｍ、少なくとも２ｍｍ、少なくとも３ｍｍ、少なくとも４ｍｍ、又は少なくとも５ｍｍの距離での配置と、最大１ｍｍ、最大２ｍｍ、最大３ｍｍ、最大４ｍｍの距離、又は最大５ｍｍの距離での配置との少なくとも一方で配置されている。

【0160】

実装形態によれば、センサの構成は、ロボットの先端と、ロボットの操作要素との少なくとも一方である。

【0161】

１実装では、剛性コアは三次元造形された部品である。

【0162】

本発明はさらに、力を検知するセンサの構成の力の推論の力の推論モジュールに関する。この力の推論モジュールは、本明細書に開示されるような方法を実行するように構成される。方法に関しては、全ての実施形態及び変形を適用できる。

【0163】

本発明は、力を検知するセンサの構成に関し、センサの構成は、以下の１つ、一部又は全てを備える。
－ フレキシブル回路基板、
－ フレキシブル回路基板に実装されている複数の気圧センサと、
－ フレキシブル回路基板の周りを覆いかつ前記フレキシブル基板が取り付けられている剛性コアであって、それにより、前記剛性コアから離れる向きに突出している前記気圧センサと共に前記剛性コアを前記フレキシブル回路基板が少なくとも部分的に覆っている、剛性コアと、
－ 気圧センサを覆いかつ計測表面を提供する追従層と、
－ 本発明による力の推論モジュール
である。

【0164】

力の推論モジュールを備えるセンサの構成に関しては、力の推論モジュール並びにセンサの構成及びその構成要素の全ての実施形態及び変形が、特に本明細書に記載されるように、適用され得る。

【0165】

以下では、さらなる発明の観点について説明する。このような観点は、単独で又は組み合わせて、本明細書に開示される他の特徴と組み合わせられる。それらはまた、別々の発明的側面と見なせて、請求項の主題になり得る。

【0166】

本発明は、力を検知するセンサの構成に関する。センサの構成は、フレキシブル回路基板を備える。センサの構成は、フレキシブル回路基板上に取り付けられている複数の気圧センサを備える。センサの構成は、剛性コアを備え、これにフレキシブル回路基板が巻き付けられて取り付けられ、それにより、フレキシブル回路基板は、剛性コアから突出する気圧センサで剛性コアを少なくとも部分的に覆う。センサの構成は、気圧センサを覆い、計測表面を提供する追従層をさらに備える。

【0167】

このようなセンサの構成は、低費用で製造でき、高解像度を提供する。

【0168】

フレキシブル回路基板は、単独で扱うとき、特に剛性コアに取り付けられる前に、可撓性であることを理解されたい。このようなフレキシブル回路基板は、製造が容易で取り扱いが容易であり、労力と費用を削減できる。気圧センサは、多くの産業又は科学用途で使用される標準タイプでよい。よって、標準タイプの気圧センサは大変安価である。気圧センサは典型的には、気圧センサに加えられる力に比例する出力信号、すなわち圧力値を提供する。これは、気圧センサの定義と見なせる。一般化では、任意の圧力のセンサを使用できる。

【0169】

剛性コアは、典型的には、プラスチック材料又は金属などの硬質材料でできている。これは、特に力が加えられたときに、センサの構成の安定性を提供する。このように、追従層は加えられた力に応じて変形してよい一方、剛性コアは力を吸収し、変形不可能な基準を提供する。

【0170】

フレキシブル回路基板が剛性コアを少なくとも部分的に覆っているという特徴は、典型的には、剛性コアの少なくとも一部がフレキシブル回路基板によって覆われていることを意味する。典型的には、剛性コアは、フレキシブル回路基板によって覆われることを意図した表面を持っていてもよく、フレキシブル回路基板は、この表面を部分的又は完全に覆っていてもよい。そのように、フレキシブル回路基板は、剛性コアの表面の一部を覆われていないところとして残してよい。

【0171】

フレキシブル回路基板の可撓性は、典型的には、特に剛性コアにまだ実装されていない分離している状態で容易に曲げられることを意味する。例えば、フレキシブル回路基板は、分離している状態では、一枚の布又はゴムのように挙動可能である。

【0172】

フレキシブル回路基板は、接着剤を使用して、又はねじを使って剛性コアに特には取り付けられる。しかしながら、フレキシブル回路基板を剛性コアに取り付ける他の手段も使ってよい。

【0173】

典型的には、気圧センサは、フレキシブル回路基板が剛性コアに取り付けられる前に、既にフレキシブル回路基板に取り付けられている。

【0174】

フレキシブル回路基板は、複数の導体経路、例えば気圧センサをつなぐ電線を備えてよく、導体経路は電力を供給と読み出しの少なくとも一方が可能である。フレキシブル回路基板の使用は、フレキシブル回路基板上の電線が自動的に必要な形状に適応するため、個別形状の剛性コアに取り付けられたそのような気圧センサの電源と読み出し機能との少なくとも一方を提供する非常に効率的な方法である。

【0175】

追従層は、特に、計測表面に加わる力に応じて変形可能な層である。そのような変形は、外力に、もしくは圧子の形状又はせん断力のような他の変数に特徴的である。追従層は、力がかかるのが停止した後に決まっている形状に自動的に回復するように、特に柔軟性と弾力性との少なくとも一方を持ってよい。計測表面に加えられる力は、典型的には、追従層によって気圧センサに中継される。特に、計測表面に加えられる典型的な力について、複数の気圧センサがその力の影響を受けるようにして、追従層によって気圧センサに中継される。よって、気圧センサが従来技術で知られている高解像度センサよりもはるかに広く間隔を空けていても、力を検出するのに非常に高い分解能が得られる。これは、例えば本出願で説明されるように、例えば機械学習と人工ニューラルネットワークの少なくとも一方に基づいて、特により洗練された力の推論技術を使用できるという事実によるものである。特に、１つの追従層で全ての気圧センサを対象としてよい。

【0176】

１実施形態では、剛性コアはドーム形状である。これは、センサの構成がロボット又は別の操作要素の先端である場合に特に適している。しかしながら、他の形状も使用できる。例えば、センサの構成は、ロボット用の脚部のセンサ、すねのセンサ、大腿のセンサ、又は胸部のセンサを設計するように適合できる。剛性コアの形状はそれに応じて調整できる。例えば、平面、円柱の形状を持ち得て、又はランダムな形状であってもよい。典型的には、形状は、接触力が複数の気圧センサを同時に作動させ、それによって力を局所化できるように設計される。

【0177】

剛性コアは、特に複数の平面部（ファセット）を持ってよい。１実装では、各気圧センサ又は気圧センサの少なくとも一部は、複数の平面部のうちの少なくとも１つに配置される。よって、各気圧センサの向きは、それが配置されているそれぞれの平面部の向きによって決められてよい。これは、複数の気圧センサがそれぞれの平面部に配置され得ることを排除するものではない。また、気圧センサが取り付けられていない剛性コアの表面の平面部又は他の部分があるものもあり得る。

【0178】

気圧センサがフレキシブル回路基板上に置かれている間、フレキシブル回路基板は典型的には、剛性コアの平面部の形状に適応することに留意されたい。よって、フレキシブル回路基板はそれ自体の平面部を形成している。

【0179】

特に、複数の平面部は異なる向きを持つものにできて、それにより異なる方向の力の計測を行える。

【0180】

追従層は、プラスチック材料又はゴムを含有するか、もしくはそれらからなるものとしてよい。プラスチック材料は、例えば、熱可塑性、エラストマー、熱可塑性エラストマー、熱硬化性、又は類似の材料であってよい。このような材料は、典型的な用途に適していることが証明されている。しかしながら、他の材料も使用できる。特に、上述した追従層の作製工程に用いてよい。

【0181】

追従層は、特に、計測表面に加えられた力を気圧センサの少なくとも一部に中継してもよい。特に、少なくとも計測表面の一部又は大部分に対して、複数の気圧センサに力を中継するように構成してもよい。これにより、電子力の推論技術を使って力を計測する際の分解能を向上できる。

【0182】

気圧センサは、特にフレキシブル回路基板上の導体経路によって接続できる。これらの導体経路は特には柔軟であり得る。そのため、フレキシブル回路基板が巻き付けられたときに剛性コアの表面に自動的に適応する。このような導体経路により、気圧センサの信頼性が高く簡単な接続ができるようになる。

【0183】

気圧センサは、特にフレキシブル回路基板上の導体経路によって接続できる。これらの導体経路は特に柔軟であり得る， そのため、フレキシブル回路基板が巻き付けられたときに剛性コアの表面に自動的に適応する。このような導体経路により、気圧センサの信頼性が高く簡単な接続ができるようになる。

【0184】

フレキシブル回路基板は特にはアスタリスク形状であってもよい。特に、中央部で連結されている複数の腕又はスポークを備えていてもよい。これにより、特にドーム状の剛性コア上のフレキシブル回路基板を包み覆えるようになることが、例えば添付の図面からわかる。

【0185】

気圧センサは、少なくとも１ｍｍ、少なくとも２ｍｍ、少なくとも３ｍｍ、少なくとも４ｍｍ、又は少なくとも５ｍｍの距離で配置できる。それらはまた、最大１ｍｍ、最大２ｍｍ、最大３ｍｍ、最大４ｍｍ、又は最大５ｍｍの距離で配置してもよい。距離は、気圧センサの外側の周囲間で計測されてもよい。適切な間隔を形成するために、それぞれ２つの異なる値を組み合わせてよい。

【0186】

特に、センサの構成は、ロボットの先端と、ロボットの操作要素の少なくとも一つであってもよい。これは好ましい用途である一方、特に、力を計測する必要があるときと、ある要素を操作に使用する必要があるときとの少なくとも一方のときに、原則としてセンサの構成を複数の他の用途にも使用できることに留意すべきである。操作とは、特に、操作要素（これは、例えばセンサの構成と同一であり得る）が、操作されるべき物品を把持又は捕捉し、例えばその位置又は向きに関してこの物品を操作できることを意味する。これを行っている間、力はセンサの構成を使用して計測できる。
一般に、本明細書に開示されるようなセンサの構成は、気圧検知技術と新規な組み立て方法を組み合わせてもよいといえる。さらに、例えば本明細書に開示されるように、高水準のロバスト性を有し、例えば三次元ドーム形状を持つ高解像度触覚センサを作成するために、機械学習技術と組み合わせてもよい。

【0187】

１実施形態では、剛性コアは、三次元造形された部品である。これにより、可変で効率的な製造が可能になる。しかしながら、他の製造方法（例えば穴あけ、成形）も使用できる。

【0188】

例えば、少なくとも５個、少なくとも１０個、少なくとも１５個、少なくとも１９個、少なくとも２０個、少なくとも２５個、少なくとも３０個、少なくとも３５個、又は少なくとも３７個の気圧センサを使用できる。それセンサはドーム型の中央コア全体を覆うようにしてよい。このような組立体は、局所的な圧力計測を可能にもする一方、モールドに置いて、そこで、センサを保護する柔軟な外面を提供する材料（例えばウレタン）に覆われるようにしてよい。典型的には、（複数の）気圧センサが別々の要素であるため、各気圧センサは隣のセンサと視覚的と物理的との少なくとも一方に区別できるようにしてよい。

【0189】

本発明はさらに、力を検知するセンサの構成を作製する方法に関する。この方法は、以下のステップを備える。
－ 複数の気圧センサを取り付けたフレキシブル回路基板を提供するステップと、
－ 剛性コアを提供するステップと、
－ フレキシブル回路基板を前記剛性コアに巻き付けて取り付けるステップであって、それにより、剛性コアから離れて突出している気圧センサの付いた前記剛性コアをフレキシブル回路基板が少なくとも部分的に覆う、巻きつけて取り付けるステップと、
－ 気圧センサを追従層で覆うステップであって、それによって追従層上に計測表面を提供する、追従層で覆うステップと
である。

【0190】

このような方法は、特に、前述のセンサの構成の作製に使用できる。センサの構成に関して与えられた全ての記載は、センサの構成を作製する方法にも適用できることに留意されたい。そのような記載が技術的に適している限り、反対方向（作製方法についての事項を、構成についての事項に適用すること）にも同じことがいえる。

【0191】

この方法は、センサの構成、特に本発明によるセンサの構成の安価かつ効率的な製造を提供する。

【0192】

１実装では、気圧センサは、記載した方法を始めるときにフレキシブル回路基板に既に取り付けられている。しかしながら、代替的な実装形態では、気圧センサをフレキシブル回路基板に取り付けることは、例えば以下でさらに説明されるように、記載した方法の一部であってもよい。

【0193】

フレキシブル回路基板を剛性コアに取り付けることは、例えば、接着剤を使って、ネジを使って、又はクランプして、又は何らかで、フレキシブル回路基板を固定する剛性コアの表面の少なくとも一部を覆うようにフレキシブル回路基板を固定して、行える。

【0194】

気圧センサが剛性コアから離れる向きに突出していて、計測表面に加えられた力に起因する気圧センサへの力のかかり方を改善できる。特に、これは、剛性コアがフレキシブル回路基板の一方の表面に接触することと、気圧センサがフレキシブル回路基板の他方の表面に取り付けられる（取り付けられている）ことを意味する。

【0195】

追従層が気圧センサを覆うとき、典型的には、フレキシブル回路基板、特に気圧センサの外側にあるフレキシブル回路基板の複数個所と、剛性コアの少なくとも一部も覆う。特に、追従層は、追従層で覆われているがフレキシブル回路基板で覆われていない表面域で剛性コアに直接接触し得る。追従層による被覆は、特に、以下でさらに説明するように行ってよい。

【0196】

好ましくは、気圧センサを追従層で覆うことは、以下のステップを備える。
－ フレキシブル回路基板の付いた剛性コアをモールドに置くステップと、
－ 気圧センサが材料で覆われるように、モールドを少なくとも部分的に材料で充填するステップと、
－ 材料を追従層に変えるステップと
である。

【0197】

追従層で被覆するそのような方法が、容易で費用効果の高い製造を提供する。モールドは、特に、追従層の計測表面がモールドの形状によって画定された形状を得るように、計測表面の最終形状を画定してよい。

【0198】

モールドは、部分的に材料で満たされていてもよいし、完全に充填されていてもよい。これは、剛性コア又は剛性コアに取り付けられたフレキシブル回路基板のどの部分を追従層で覆う必要があるかによって異なる。特に、モールドは、フレキシブル回路基板が材料によって完全に覆われるような量まで材料で満たされてもよい。

【0199】

材料を追従層に変えるということは、例えばモールドに容易に充填できる流体であるため、取り扱いが容易な材料を使えることを意味する。

【0200】

（材料を）変えることは、例えば、以下のステップを備えてよい。
材料で覆われたフレキシブル回路基板を備えた剛性コアを真空中に置くことにより、材料を脱気するステップ。

【0201】

よって、例えば、非脱気状態の流体であるが、脱気状態では追従層である材料を使用できる。

【0202】

脱気は、特に室温、例えば１５°Ｃと２５°Ｃの間の温度範囲で行える。真空状態の間、温度はそのような値と比較して上昇することがある。

【0203】

しかしながら、追従層を形成する他の技術も使用され得ることに留意すべきである。

【0204】

フレキシブル回路基板を提供することが、以下のステップの一方又は両方を備えてよい。
－ フレキシブル回路基板の少なくとも一部をシート状から切り出すステップと、
－ 気圧センサをフレキシブル回路基板に配置して取り付けるステップ。

【0205】

よって、その気圧センサを備えたフレキシブル回路基板の準備を、方法の一部としてよい。代替実施形態では、気圧センサが既にその上に実装されているフレキシブル回路基板が使用され得る。

【0206】

１実施形態では、剛性コアはドーム形状である。これは、センサの構成がロボット又は別の操作要素の先端である場合に特に適している。ただし、他の形状も使用できる。例えば、センサの構成は、ロボット用の脚部のセンサ、すねのセンサ、大腿部のセンサ、又は胸部のセンサを設計するように適合し得る。剛性コアの形状はセンサの構成に応じて合わせられる。例えば、平面、円柱の形状にでき、又はランダムな形にしてよい。典型的には、形状は、接触力が複数の気圧センサを同時に作動させ、それによって力を局所化できるように設計される。

【0207】

剛性コアは、特に複数の平面部を備えてよい。１実装では、各気圧センサ又は複数の気圧センサの少なくとも一部は、複数の平面部のうちの少なくとも１つに配置される。よって、各気圧センサの向きは、それが配置されているそれぞれの平面部の向きによって決まるようにしてよい。これは、１個より多い気圧センサが各平面部に配置され得ることを排除するものではない。また、気圧センサが取り付けられていない剛性コアの表面の平面部又は他の部分がある可能性もある。

【0208】

気圧センサがフレキシブル回路基板上に置かれているとき、フレキシブル回路基板が典型的には、剛性コアの平面部の形状に合っていることに留意されたい。よって、フレキシブル回路基板はそれ自体が複数の平面部を形成している。

【0209】

特には、複数の平面部に異なる向きを持たせてよく、それにより異なる方向の力の計測を行える。

【0210】

追従層は、プラスチック材料又はゴムを含有するか、又はそれらからなるものとしてよい。プラスチック材料は、熱可塑性、エラストマー、熱可塑性エラストマー、熱硬化性又は類似の材料であってもよい。このような材料は、典型的な用途に適していることが証明されている。しかしながら、他の材料も使用できる。特に、上述した追従層の作製工程に用いてよい。

【0211】

追従層は、特には、計測表面に加えられた力を複数の気圧センサの少なくとも一部に中継してもよい。特に、計測表面の少なくとも一部分又は大部分に対して、１台より多い気圧センサに力を中継するように構成してもよい。これにより、電子的な力の推論の技術を使用して力を計測する際の分解能を向上できる。

【0212】

気圧センサは、特にフレキシブル回路基板上の導体経路によって接続されてよい。これらの導体経路は特には、柔軟であり得る。そのため、フレキシブル回路基板が巻き付けられたときに剛性コアの表面に自ずと適応する。このような導体経路により、気圧センサの信頼性が高く簡単な接続が可能になる。

【0213】

フレキシブル回路基板は、特にアスタリスク形状であってもよい。特に、中央部で連結されている複数の腕又はスポークを備えていてもよい。これにより、特にドーム状の剛性コア上のフレキシブル回路基板を覆えるようになる。それは、例えば添付の図面に見て取れる。

【0214】

気圧センサは、少なくとも１ｍｍ、少なくとも２ｍｍ、少なくとも３ｍｍ、少なくとも４ｍｍ、又は少なくとも５ｍｍの距離で配置してよい。それらはまた、最大１ｍｍ、最大２ｍｍ、最大３ｍｍ、最大４ｍｍ、又は最大５ｍｍの距離で配置してもよい。距離は、気圧センサの外側の周囲間で計測されてもよい。適切な間隔を形成するために、それぞれ２つの異なる値を組み合わせられる。

【0215】

特に、センサの構成は、ロボットの先端とロボットの操作要素との少なくとも一方であってもよい。これは好ましい用途であるが、特には、力を計測する必要があるときと、要素を操作に使用するときとの少なくとも一方であるとき、原則としてこのセンサの構成を複数の他の用途にも使用できることに留意すべきである。操作とは、特に、例えばセンサの構成と同一であり得る操作要素が、操作されるべき物品を把持又は捕捉し、もしくはその位置又は向きに関してこの物品を操作できることを意味する。これを行っている間、力は（本願の）センサの構成を使用して計測できる。
一般に、本明細書に開示されるセンサの構成は、気圧検知技術と新規な組み立て方法を組み合わせてもよいといえる。さらに、例えば本明細書に開示されるように、高レベルの堅牢性を有し、例えば三次元ドーム形状を持つ高解像度触覚センサを作成するために、機械学習技術と組み合わせてもよい。

【0216】

特に、剛性コアは三次元造形（３Ｄプリント、３Ｄプリンティング）されてもよい。これは、剛性コアを提供することが、剛性コアを三次元造形するステップを備えることを意味し得る。ただし、穴あけや成形などの他の製造方法も使用できる。

【0217】

例えば、少なくとも５個、少なくとも１０個、少なくとも１５個、少なくとも１９個、少なくとも２０個、少なくとも２５個、少なくとも３０個、少なくとも３５個、又は少なくとも３７個の気圧センサを使用できる。それらはドーム型の中央コア全体を覆える。このようなアセンブリは、センサを保護する柔軟な外面を提供すると同時に、局所的な圧力計測を可能にするために、材料（例えばウレタン）で覆われた型に配置できる。

【0218】

機械学習技術を使用して、センサデータを利用して触覚相互作用の超解像センシングを提供できる。そのため、複数の気圧センサは、実際にはより多くのセンサがあるかのように動作する場合がある。機械学習アルゴリズムは、最初に有限要素法を組み合わせたフィンガー（指）パッドの固有モデルを学習し、次に転移学習を使用して実際の物理的気圧計を固有モデルと相関させることによって統合できる。力の分布マップ（３自由度と局所座標系を持つ節点力）は、タッチ衝撃の表現として予測でき、保持、反転検出、ねじれなどのさまざまな操作シナリオに分類できる。

【0219】

この取り組みにより、指の外形の周囲全体に高分解能のセンシングが可能になり、物体の接触位置を予測できない、例えば大幅に変化することのあるさまざまな用途に最適である。さらに、センサの構成に使用されるハードウェア要素は、特に従来技術で知られている他のセンサと比較して、非常に安価である。

【0220】

好ましい１実施形態では、本発明によるセンサの構成、又は本発明による方法に従って製造されたセンサの構成は、センサの構成の力の推論の方法を実行するように構成された電子制御モジュールをさらに備える。これにより、力の推論の機能をこのセンサの構成に統合できる。電子制御モジュールは、例えば、剛性コアの内側又は剛性コアのところに配置してよいし、又は剛性コアとは別に配置できる。

【0221】

特には、制御モジュールは、計測表面の力のマップと、複数の力のベクトルを備える力のマップを提供する力の推論の方法を実行するように構成できる。このような力のマップは、例えば、計測表面を押す圧子又は操作対象の物体から生じたであろう、加えられた力に関する関連情報を提供できる。

【0222】

制御モジュールは、以下でさらに説明するように、力の推論と訓練との少なくとも一方の方法を実行するように、特に、構成できる。

【0223】

典型的な実装では、力のマップは、ｍｍ^２当たり少なくとも０．２５の力のベクトル、ｍｍ^２当たり少なくとも０．５の力のベクトル、ｍｍ^２当たり少なくとも０．７５の力のベクトル、ｍｍ^２当たり少なくとも１の力のベクトル、ｍｍ^２当たり少なくとも１．５の力のベクトル、又はｍｍ^２当たり少なくとも２の力のベクトルを備えてよい。

【0224】

典型的な実装では、力のマップは、ｍｍ^２当たり最大０．２５の力のベクトル、ｍｍ^２当たり最大０．５の力のベクトル、ｍｍ^２当たり最大０．７５の力のベクトル、ｍｍ^２当たり最大１の力のベクトル、ｍｍ^２当たり最大１．５の力のベクトル、又はｍｍ^２当たり最大２の力のベクトルを備えてよい。

【0225】

このような値は、典型的な利用（ユースケース）に適していることが証明されている。しかしながら、他の値も使用できる。

【0226】

典型的な実装では、力のマップは、少なくとも５００個、少なくとも１０００個、又は少なくとも２０００個の力のベクトルを備えてよい。典型的な実装では、力のマップは、最大１０００、最大２０００、最大３０００、又は最大４０００の力のベクトルを備えてよい。このような値は、ロボットの先端であるセンサの構成の利用（ユースケース）に特に適していることが証明されている。しかしながら、他の値も使用できる。

【0227】

好ましくは、各力のベクトルは、垂直抗力成分、第１せん断力成分及び第２せん断力成分を備える。これにより、垂直抗力だけでなくせん断力に関する情報も得られ、例えば、ロボットの先端用途のより良い調整が可能になる。

【0228】

特には、第１せん断力成分は第１せん断力に対応し、第２せん断力成分は第２せん断力に対応してもよい。第１せん断力は、特に第２せん断力に対して垂直であってもよい。特に、せん断力成分は互いに垂直となっていてもよい。

【0229】

１実装では、制御モジュールは、気圧センサから温度値を読み取り、温度値に基づいて温度情報又はセンサの構成の温度マップを提供するように構成され得る。これにより、温度分布に関する追加情報が得られる可能性があり、制御又は監視用途で使用できる。特には、複数の気圧センサは、それぞれ、この目的に使用できる統合された温度計測機能を持ってよい。

【0230】

以下では、さらなる発明の観点について説明する。このような観点は、単独で又は組み合わせて、本明細書に開示される他の特徴と組み合わせられる。それらはまた、別々の発明的側面と見なせて、請求項の主題になり得る。

【0231】

さらなる態様及び有利点は、同封された図面の以下の説明から当業者には明らかであろう。これらは次のことを示している。

【図面の簡単な説明】

【0232】

【図1】図１はセンサの配置を示す。

【図2】図２は剛性コアを示す。

【図3】図３はフレキシブル回路基板を示す。

【図4】図４はフレキシブル回路基板の付いた剛性コアを示す。

【図5】図５はモールドの分解図を示す。

【図6】図６はモールドの組み立てた状態を示す。

【図7】図７はフレキシブル回路基板で覆われた剛性コアとモールドの分解図を示す。

【図8】図８はフレキシブル回路基板の付いた剛性コアとモールドの気圧センサを覆う状態を示す。

【図9】図９は力の推論の概要図を示す。

【図10】図１０は有限要素モデルを示す。

【図11】図１１は複数の異なる力子の配置を示す。

【図12】図１２は力の試験用の配置を示す。

【図13】図１３は転送ネットワークを訓練する流れ図を示す。

【図14】図１４は再構築ネットワークを訓練する流れ図を示す。

【図15】図１５は順伝播型ニューラルネットワークを訓練する流れ図を示す。

【図16】図１６は力のマップを示す。

【発明を実施するための形態】

【0233】

図１は、本発明の一実施形態に係るセンサの構成１０を示す。

【0234】

センサの構成１０は、ドーム形状である剛性コア１００を備える。剛性コア１００は、剛性コア１００に固定実装されたフレキシブル回路基板３００によって部分的に覆われている。フレキシブル回路基板３００は、追従層２００によって覆われている。

【0235】

フレキシブル回路基板３００上には、複数の気圧センサ４００が適用される。それらは剛性コア１００から離れて突出している。追従層２００は、力を加えることができる計測表面２１０を提供する。追従層２００は柔軟性があり弾力性があるため、計測表面２１０に加えられた力が計測表面２１０の局所的な変形をもたらし、追従層２００はこれらの力を気圧センサ４００の少なくとも一部に中継する。よって、気圧センサ４００は、力又は加えられた力を評価するために使用できる。

【0236】

フレキシブル回路基板３００は、複数の平面部を備える。これらの平面部は、図２に詳細に示されるように、剛性コア１００上に構造化された平面部に対応する。

【0237】

フレキシブル回路基板３００は、中央部３０５を有し、そこから、本実施形態では、６本の腕が延びている。この中央部３０５は、平面部とみなせる。腕は全て図３に示されている。図１において、これらの腕のうちの３つだけ、すなわち第１腕３１０、第２腕３２０、及び第３の腕３３０のみが見え、参照記号によって示される。

【0238】

各腕は３つの平面部に分割され、例えば第１腕３１０は、第１平面部３１１、第２平面部３１２、及び第３の平面部３１３に分割される。他の腕はそれに応じて分割され、ここで、フレキシブル回路基板３００の平面部３２１、３２２、３２３、３３１、３３２及び３３３が図１に見える。

【0239】

現在の実施形態では、各平面部は１つの気圧センサ４００を保持している。また、中央部３０５は、気圧センサ４００を１つ保持している。他の構成も可能であり、例えば平面部は、気圧センサ４００を１つより多く持っていてもよく、又は全く備えなくてもよいことに留意されたい。

【0240】

気圧センサ４００は、フレキシブル回路基板３００上で互いに離間して配置されていることに留意されたい。しかしながら、加えられた力に関してはるかに細かい分解能は、以下に説明する手法を使用して達成できる。

【0241】

図２に、剛性コア１００を分けて示している。剛性コア１００は、全部で６つの表面域からなり、そのうち、第１表面域１１０、第２表面域１２０、及び第３の表面域１３０が見えていて、図３に示される。各表面域１１０、１２０、１３０は、３つの平面部に分割され、例えば、第１表面域１１０は、第１平面部１１１、第２平面部１１２、及び第３の平面部１１３に分割される。他の表面域はそれに応じて分割され、ここで平面部１２１、１２２、１２３、１３１、１３２及び１３３が図１に見える。剛性コア１００の上部では、中央部１０５が複数の表面域をつないでいる。

【0242】

剛性コア１００の平面部は、フレキシブル回路基板３００の平面部を画定する。詳細には、平面部は異なる向きを持ち、フレキシブル回路基板３００は平面部のそれぞれの向きに適応する。

【0243】

図２は、剛性コア１００がドーム形状であることも明確に示していて、剛性コアは、例えば、ロボットの指先に使用できる。

【0244】

図３は、気圧センサＳ４００を搭載したフレキシブル回路基板３００を別途示している。既に述べたように、フレキシブル回路基板３００は、中央部３０５において互いに接続される６つの腕３１０、３２０、３３０、３４０、３５０、３６０を持つ。本実施形態では、フレキシブル回路基板３００には全部で１９個の気圧センサ４００が取り付けられている。その数より多く又は少ない気圧センサを他の実施形態で使用できる。

【0245】

図３に平面部はないことに留意されたい。図３において、これらの平面部はフレキシブル回路基板３００の本質的な特徴ではないからである。図１に示したフレキシブル回路基板３００の平面部はむしろ図２に示す剛性コア１００にフレキシブル回路基板３００が実装された結果である。

【0246】

各腕３１０、３２０、３３０、３４０、３５０、３６０にはそれぞれの穴３１５、３２５、３３５、３４５、３５５、３６５が設けられていて、これらは、例えば、製造時などにフレキシブル回路基板３００を剛性コア１００に締結するために使用できることに留意されたい。

【0247】

図４は、図２の剛性コア１００に取り付けられている図３のフレキシブル回路基板３００を示している。このように、フレキシブル回路基板３００が剛性コア１００の構造を得ることにより、フレキシブル回路基板３００の平面部が既に形成されている。図４に示した構成は、図１に示す追従層２００をまだ持っていない。追従層２００及びその計測表面２１０がどのように形成されるかを次の図を参照して示す。

【0248】

図５は、モールド５００を分解図で示している。モールド５００は、第１部品５１０と第２部品５２０とを備える。図５に示すように、部品５１０、５２０が組み立てられるときに中空内部５３０がモールド５００の上部にのみ開口するように、部品５１０、５２０の内部に中空内部５３０が形成されている。加えて、モールド５００は、図４に示すように、フレキシブル回路基板が取り付けられた剛性コアの配置を固定するために頂部５４０を備える。

【0249】

図６は、組み立てた状態のモールド５００を示す。よって、中空内部５３０はモールド５００の上部にのみ開口していて、頂部５４０は中空内部５３０の上にまたがっている。

【0250】

図７は、フレキシブル回路基板３００及びその上に気圧センサ４００が取り付けられた剛性コア１００の配置で、既に説明したモールド５００を示す。図７は分解図を示し、図８は組み立てた状態の同じものを示す。図８に示す状態において、剛性コア１００はモールドの頂部５４０に取り付けられていて、剛性コア１００は頂部５４０から中空内部５３０内に突出している。

【0251】

図８に示す状態において、材料、例えばプラスチック材料は、流体形態で中空内部５３０に充填できる。これは流体特性のために取り扱いが簡単である。材料は、フレキシブル回路基板３００及び剛性コア１００が、追従層２００がフレキシブル回路基板３００及び剛性コア１００を覆うべき位置に相当する水準（レベル）まで材料によって覆われるように、中空内部５３０に充填できる。中空内部５３０の表面は、最終状態における計測表面２１０を画定する。

【0252】

材料を充填した後、モールド５００と剛性コア１００、それに取り付けられたフレキシブル回路基板３００、そして既に充填された材料を真空室に入れる。真空室を排気し、材料を脱気する。脱気により、材料は追従層２００に変わり、図１に示すセンサの構成１０が製造された状態となる。

【0253】

これらの図に関して示される処理工程は、少数の特定の構成要素のみを必要とし、実行が容易であるセンサの構成１０の製造工程である。よって、費用は、従来技術で知られているはるかに高価な実施形態と比較して大幅に削減できる。

【0254】

図９は、先に説明したようなセンサの構成１０、又はセンサの構成１０の力の推論の方法の概略図を示す。既に述べたように、センサの構成１０は、複数の気圧センサ４００を備える。このような気圧センサ４００は、それぞれの出力値としてそれぞれの圧力値Ｒ１、Ｒ２、．．．Ｒｘを生成し、追従層２００の下のその位置におけるそれぞれの気圧センサ４００によって検知された圧力を示す。

【0255】

このような圧力値Ｒは、センサの構成１０の有限要素モデル１０ａの複数の仮想センサに気圧センサ４００を図示するニューラルネットワークである転移ネットワークＴＮの入力を形成する。仮想センサについては、図１０に関して以下でさらに説明する。仮想センサの各々は、１つ以上の仮想センサ点を含み、各々が仮想センサの点の値Ｓ１、Ｓ２、．．．Ｓｘを持つ。また、これについては、図１０に関して以下さらに詳細に説明する。

【0256】

転移ネットワークＴＮが圧力値Ｒを仮想センサの点の値Ｓに図示するという事実は、転移ネットワークＴＮが、入力として取得する圧力値Ｒの各組み合わせについて、出力として仮想センサの点の値Ｓのセットを提供することを意味する。これには、転移ネットワークＴＮの訓練が必要であり、これは特に本明細書に記載されているように行える。

【0257】

仮想センサの点の値Ｓ１、Ｓ２、．．．Ｓｘは、有限要素モデル１０ａの仮想センサを力のマップＦＭに図示するニューラルネットワークである再構築ネットワークＲＮの入力を形成する。力のマップＦＭは、複数の力のベクトルＦ１、Ｆ２、．．．Ｆｘからなり、力のマップＦＭの力のベクトルＦは、それぞれ、垂直抗力成分と２つの垂直せん断力成分の３つの成分を持つ。よって、各力のベクトルＦは、計測表面２１０上の特定の点において加えられた力の値及びその方向を与える。力のマップＦＭは、図１６を参照してさらに説明される。

【0258】

再構築ネットワークＲＮが仮想センサの点の値Ｓを力のマップＦＭに図示するという事実は、再構築ネットワークＲＮが、入力として取得する仮想センサの点の値Ｓの各組み合わせに対する出力として力のベクトルＦのセットの提供を意味する。これには、再構築ネットワークＲＮの訓練が必要であり、これは、特に本明細書に記載されているように行える。

【0259】

転移ネットワークＴＮ及び再構築ネットワークＲＮは、順伝播型ニューラルネットワークＦＦＮＮを一緒に形成する。これは、気圧センサ４００を力のマップＦＭに図示するニューラルネットワークとみなされるべきである。そしてこれは、図示され、既に説明したように、２つの部分に分割される。

【0260】

転移ネットワークＴＮの訓練には、方法Ｔ１を使ってよい。再構築ネットワークＲＮを訓練するために、方法Ｔ２を使ってよい。順伝播型ニューラルネットワークＦＦＮＮ全体を訓練するために、方法Ｔ３を使ってよい。そのような方法が、以下でさらに説明される。

【0261】

ニューラルネットワーク、又は一般化としての人工知能の使用は、人工知能なしで直接力の推論がもたらすよりもはるかに多くの情報を気圧センサから抽出できるようにする。特に、加えられた力は、気圧センサ４００の間隔よりもはるかに高い分解能で評価できる。さらに、せん断力や圧子の数、及びそれらの位置などの追加情報を抽出できる。このような情報は、圧力値Ｒに基づいて計算される力のマップＦＭに含まれる。

【0262】

図１０に、センサの構成１０の有限要素モデル１０ａを示す。この有限要素モデル１０ａは、図９に関して説明した力の推論の処理に用いられる。図１０は、センサの構成１０に関して構造の詳細を示すが、そのような有限要素概念は既知の技術に依拠しているので、有限要素計算の実施の具体的な詳細は示されていない。原理的には、有限要素モデル１０ａは、実際のセンサの構成１０の電子表現であるため、センサの構成１０の挙動を有限要素モデル１０ａで模擬試験できる。

【0263】

センサの構成１０の全ての構成要素は、有限要素モデル１０ａ内の対応する構成要素を持ち、有限要素モデル１０ａ内の構成要素は、文字「ａ」で示される。センサの構成１０と有限要素モデル１０ａとの構造上の違いは、センサの構成１０の気圧センサ４００が有限要素モデル１０ａの仮想センサ４００ａに置換されていることである。各仮想センサ４００ａは、１つ又はそれより多いセンサ点４１０ａを備える。ここで、各仮想センサ４００ａが１２個の仮想センサ点４１０ａを備える実装が示されている。各仮想センサ点４１０ａは、図９に関して既に論じたように、それぞれの仮想センサの点の値Ｓを持つ。しかしながら仮想センサ４００ａ毎に他の数の仮想センサ点４１０ａも使用できる。

【0264】

そのようにして、有限要素モデル１０ａの模擬計測表面２１０ａに加えられた模擬力６０５ａは、追従層２００の有限要素表現、すなわち模擬追従層２００ａによって、仮想センサ４００ａ及びその仮想センサ点４１０ａに中継される。このような中継された力は、それぞれの仮想センサの点の値Ｓを生じさせる。これは、加えられた模擬力６０５ａ又は模擬力６０５ａの組み合わせごとにそれぞれの仮想センサの点の値Ｓを与える模擬試験の実行に使用できる。

【0265】

このような模擬力６０５ａは、模擬圧子６００ａによって加えられるようになっている。ここでは、そのような模擬圧子６００ａのうちの２つが、図１０に例として示されている。これらの模擬圧子６００ａを用いて、模擬計測表面２１０ａに模擬力を加えられて、仮想センサの点の値Ｓを標準的な有限要素モデル法により計算できるようになっている。

【0266】

このような模擬試験から取得されたデータは、再構築ネットワークＲＮの訓練に使用できる。典型的には、複数のそのような模擬試験が、例えば１，０００回の模擬試験又は約１０，０００回の模擬試験が、訓練に使用される。これらの模擬試験は、典型的には、特に異なる形状とサイズの少なくとも一方を持つ異なるタイプの模擬圧子６００ａを用いて行われ、模擬圧子６００ａの数が異なる場合、例えば、１つの圧子６００ａと、２つの圧子６００ａと、３つの圧子６００ａとの少なくともいずれかを持つ。このような模擬試験は、純粋なコンピュータ模擬試験によって実行でき、取り扱いが複雑な実験用設定（の構成）を必要としない。これにより、再構築ネットワークＲＮの非常に効率的で信頼性の高い訓練が可能になり、実験能力が制限されていても、力のマップＦＭを再構築するはるかに多くの機能が得られる。

【0267】

図１１は、４つの異なる圧子６００の形状を概略的に示していて、これらは、図１２に関して以下でさらに説明されるような実験用設定における使用の物理的圧子６００、又は模擬圧子６００ａにできるものである。

【0268】

図１１ａは、計測表面２１０にその接触部分において平らな形状を持つ圧子６００を示す。図１１ｂは、先端状の接触部を持つ圧子６００を示している。図１１ｃは、半球状の形状の接触部を持つ圧子６００を示している。図１１ｄは、図１１ｃに示した圧子６００と同型の接触部を持つ圧子６００を示すが、サイズが相対的に小さい。このような異なる圧子６００を使用することは、そのような異なる形状に関してニューラルネットワークの訓練を最適化でき、これは、そのような異なる圧子６００で訓練されたニューラルネットワークの能力が、異なる圧子形状を持つ圧子６００によって加えられる再構築力に関して増加することを意味する。一例として別の記載をするならば、平らな形状の圧子６００の適用後に再構築された力のマップＦＭは、半球形状の圧子６００の適用後に再構築された力のマップＦＭとは異なる。

【0269】

図１２は、力の試験を行うための実験用設定７００を示す。実験用設定７００は、底部７１０を備え、その上に第１機械腕７２０が取り付けられる。第１機械腕７２０上には、関節７３０が位置決めされる。第２機械腕７４０は、関節７３０に固定されている。関節７３０は、第２機械腕７４０を積極的（アクティブ）に動かすのに使用でき、ここで、電気駆動装置（図示せず）は、そのような移動に使用される。

【0270】

第２機械腕７４０の他端には、先に説明したようなセンサの構成１０が位置決めされている。これは、ここでは概略的に示されているだけである。ここで、センサの構成１０の外表面は、既に説明したように計測表面２１０である。

【0271】

実験用設定７００は、力のセンサ６１０が取り付けられる頂部７５０をさらに備える。力のセンサ６１０には圧子６００が取り付けられている。関節７３０は、センサの構成１０を圧子６００に押し付けるために使用可能で、そのような力の試験中に圧力値Ｒが気圧センサ４００から読み出され、圧子６００によって計測表面２１０に加えられている力６０５が力のセンサ６１０で計測される。力のセンサ６１０は、３次元的な力を計測するので、垂直抗力成分とせん断力成分の両方が計測される。３次元力は、グローバル座標系で表されてもよいし、計測表面２１０上の点に垂直である法線成分（垂直抗力成分）と、典型的には、法線成分に垂直であり、典型的には互いに垂直である２つのせん断力成分とで表されてもよい。座標変換を使用して、別の座標系で複数成分がわかっている場合、それら成分を計算できる。

【0272】

圧子６００が計測表面２１０に接触する位置は、カメラ６２０によって観察される。これにより、画像認識による計測表面２１０上のこの位置の座標の算出が可能となる。別の方法として、そのような位置は、例えば、機械変数を用いて計算できる。

【0273】

圧子６００が静止していて、センサの構成１０が実験用設定７００において移動されるという事実は、例えば３Ｄプリンタから知られている関節部の設定の使用を可能にする。しかしながら、力の試験は、例えば静止センサの構成１０を持つ圧子６００を移動させることによって、又はセンサの構成１０及び圧子６００の両方を移動させることによって、代替的に異なる方法で実施され得ることに留意されたい。

【0274】

このような力の試験に由来するデータは、図９に示すニューラルネットワークを訓練するために使用できる。図９において、以下でさらに説明する。

【0275】

図１３に、転移ネットワークＴＮを訓練する方法Ｔ１の概略図を示す。

【0276】

第１ステップＴ１＿１では、図１２に関して説明したように、複数の力の試験が行われる。そのような力の試験のために、好ましくは異なる形状とサイズとの少なくとも一方を持つ異なる圧子６００が使用され、ここで、記載された実施における各力の試験において１つの圧子６００のみが使用される。

【0277】

ステップＴ１＿２では、有限要素モデル１０ａを用いて複数の模擬試験が実行され、ここで、力の試験ごとに１つの模擬試験が実行され、ここで、力の試験において力のセンサ６１０によって計測された力６０５が、模擬力６０５ａの適用に対応する模擬試験において使用される。模擬計測表面２１０ａ上の位置は、力の試験における計測表面２１０上の位置と同一であり、ここで、そのような位置は、例えば、機械変数から計算可能で、又は図１２を参照して既に説明したように、画像認識から導出できる。模擬圧子６００ａの形状は、実圧子６００の形状と同一である。各力の試験の仮想センサの点の値Ｓは、加えられた模擬力６０５ａに基づく標準有限要素模擬試験によって計算される。

【0278】

ステップＴ１＿３において、転移ネットワークＴＮは、力の試験及び模擬試験によって取得されたデータを用いて訓練され、ここで、特に、力の試験から生じる気圧センサ４００の圧力値Ｒ及び対応する模擬試験から生じる計算された仮想センサの点の値Ｓが訓練に使用される。

【0279】

図１４は、再構築ネットワークＲＮを訓練する方法Ｔ２を示す。

【0280】

第１ステップＴ２＿１では、有限要素モデル１０ａを用いて複数の模擬試験が行われ、ここで、好ましくは複数の異なる数の圧子が使用され、さらに好ましくは複数の異なる圧子形状及び圧子サイズが用いられる。各模擬試験において、模擬計測表面２１０ａ上で模擬力のマップＦＭａが計算され、対応する仮想センサの点の値Ｓが算出される。

【0281】

このような模擬力のマップＦＭａ及び仮想センサの点の値Ｓを用いて、転移ネットワークＴＮは、ステップＴ２＿２において訓練され、模擬センサの点の値Ｓから力のマップを再構築できる。

【0282】

図１５は、順伝播型ニューラルネットワークＦＦＮＮ全体を訓練する方法Ｔ３を示す。

【0283】

第１ステップＴ３＿１では、図１２に関して説明したように、複数の力の試験が行われる。これらの力の試験は、力のセンサ６１０によって計測された、加えられた力６０５、対応する位置、及び気圧センサ４００の計測された圧力値Ｒを送達する。

【0284】

第２ステップＴ３＿２では、センサの構成１０の有限要素モデル１０ａを用いて、複数の対応する模擬試験が行われ、各模擬試験は、計測表面２１０上の現実と同じ位置にある有限要素モデル１０の模擬計測表面２１０ａに模擬力６０５ａをかけて、実圧子６００と同じ圧子形状を持つ模擬圧子６００ａを用いて、複数の対応する模擬試験を行う。これにより、模擬計測表面２１０ａ上に模擬力のマップＦＭａが算出される。

【0285】

さらなるステップＴ３＿３では、順伝播型ニューラルネットワーク（ＦＦＮＮ）全体を訓練するために、力の試験の計測された圧力値Ｒ及び模擬試験から生じる対応する模擬力のマップＦＭａが使用され、ここで、示された実装では、転移ネットワークＴＮ及び再構築ネットワークＲＮの両方が訓練される。

【0286】

図１５に関して説明される処理は、１つのニューラルネットワークのみが使用される場合、すなわち、転移ネットワークＴＮ及び再構築ネットワークＲＮにおける分割が実装されていない場合にも使用できるであろうことに留意されたい。図９に示す実装では、転移ネットワークＴＮ及び再構築ネットワークＲＮの両方は、図１３及び図１４に関して記載した方法に加えて、図１５に関して説明した方法の実行によって最適化できる。

【0287】

図１６は、センサの構成１０を力のマップＦＭの概略説明図と共に示す。力のマップＦＭは、計測表面２１０の周囲全体に配置されている複数の力のベクトルＦを備える。一方、２つの力のベクトルＦが図１６に示されているが、はるかに多くの力のベクトルＦが典型的な実装において使用し得る。例えば、ｍｍ^２（＝１×１０^－６ｍ^２）当たり１個の力のベクトルＦを例示的な実装で使用し得る。

【0288】

各力のベクトルＦは、垂直抗力成分Ｆ_Ｎと、第１せん断力成分Ｆ_Ｓ１と、第２せん断力成分Ｆ_Ｓ２とを持つ。垂直抗力成分Ｆ_Ｎは、加えられた力の垂直抗力成分の値、すなわち計測表面２１０の局所的な向きに垂直な成分の値を与える。せん断力成分Ｆ_Ｓ１、Ｆ_Ｓ２は、それぞれの点において計測表面２１０に加わるせん断力の値を与える。せん断力は、典型的には、計測表面２１０の局所的な配向に平行であり、典型的には、互いに垂直でありかつ垂直抗力に対して垂直である。これは、特に、力のベクトルＦ、特にその法線成分の向きを定義し得る計測表面の変形されていない配向に関係してよい。

【0289】

よって、各力のベクトルＦは、計測表面２１０上の特定の点に加えられる力の強さ及び向きを与える。このような力は、例えば、圧子６００によるものであり得る。

【0290】

力のベクトルＦの他の定義も使用できる。例えば、垂直抗力成分のみを評価できるとしてもよく、又は（複数）せん断力が代替の定義を持ち得ることに留意されたい。

【0291】

模擬力のマップＦＭａの場合、模擬計測表面２１０ａ上の模擬力のマップＦＭａの模擬力のベクトルＦａは、それぞれ模擬成分、例えば垂直抗力成分Ｆ_Ｎａと、第１せん断力成分Ｆ_Ｓ１ａと、第２せん断力成分Ｆ_Ｓ２ａを持ってよい。このような模擬力のマップＦＭａは、図１０に関して説明したように有限要素モデル上で実行される模擬試験において特に計算される。

【0292】

本発明の方法の言及されたステップは、所与の順序で実行できる。しかしながら、技術的に合理的である限り、別の順序で実行し得る。本発明の方法は、実施形態では、例えばステップの特定の組み合わせを用いて、さらなるステップが実行されないように実施できる。しかしながら、言及されていないステップを備える他のステップも実行されてよい。

【0293】

（本発明の）複数の特徴は互いに独立して使われ、又は実装されてよいのであるが、例えば、よりわかりやすくするために、請求項及び明細書の記載内で、組み合わせて特徴が記載されていることには留意されたい。当業者は、そのような特徴を他の特徴と組み合わせ可能、又は互いに独立した特徴の組み合わせがあり得ることに気が付くだろう。

【0294】

従属請求項内の参照は、それぞれの特徴の好ましい組み合わせを示し得るが、他の特徴の組み合わせを排除するものではない。

【符号の説明】

【0295】

１０ センサの構成
１００ 剛性コア
１０５ 中央部
１１０ 第１表面域
１１１ 平面部
１１２ 平面部
１１３ 平面部
１２０ 第２表面域
１２１ 平面部
１２２ 平面部
１２３ 平面部
１３０ 第３表面域
１３１ 平面部
１３２ 平面部
１３３ 平面部
２００ 追従層
２１０ 計測面
３００ フレキシブル回路基板
３０５ 中央部
３１０ 第１腕
３１１ 平面部
３１２ 平面部
３１３ 平面部
３１５ 穴
３２０ 第２腕
３２１ 平面部
３２２ 平面部
３２３ 平面部
３２５ 穴
３３０ 第３腕
３３１ 平面部
３３２ 平面部
３３３ 平面部
３３５ 穴
３４０ 第４腕
３４５ 穴
３５０ 第５腕
３５５ 穴
３６０ 第６腕
３６５ 穴
４００ 気圧センサ
５００ モールド
５１０ 第１部品
５２０ 第２部品
５３０ 中空内部
５４０ 頂部
６００ 圧子
６０５ 力
６１０ 力のセンサ
６２０ カメラ
７００ 実験用設定
７１０ 底部
７２０ 第１機械腕
７３０ 関節
７４０ 第２機械腕
７５０ 頂部
１０ａ 有限要素モデル
２１０ａ 模擬試験の計測面
４００ａ 仮想センサ
４１０ａ 仮想センサ点
６００ａ 模擬試験の圧子
６０５ａ 模擬試験の力
文字ａを持つ他の参照記号は有限要素モデルの成分 １０ａ
ＴＮ 転移ネットワーク
ＲＮ 再構築ネットワーク
ＦＦＮＮ 順伝播型ニューラルネットワーク
Ｔ１ 転移ネットワークの訓練方法
Ｔ２ 再構築ネットワークの訓練方法
Ｔ３ 順伝播型ネットワークの訓練方法
Ｒ 圧力値
Ｓ 仮想センサ点値
ＦＭ 力のマップ
Ｆ 力のベクトル
ＦＭａ 模擬訓練した力のマップ
Ｆａ 模擬訓練した力のベクトル
Ｆ_Ｎ （力ベクトルの）垂直抗力成分
Ｆ_Ｓ１ （力のベクトルの）第１せん断力成分
Ｆ_Ｓ２ （力のベクトルの）第２せん断力成分
Ｆ_Ｎａ （模擬訓練した力のベクトルの）垂直抗力成分
Ｆ_Ｓ１ａ （模擬力のベクトルの）第１せん断力成分
Ｆ_Ｓ２ａ （模擬力のベクトルの）第２せん断力成分

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11a)】

【図11b)】

【図11c)】

【図11d)】

【図12】

【図13】

【図14】

【図15】

【図16】

【手続補正書】

【提出日】2023-11-13

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

力を検知するセンサの構成（１０）の、力を推論する方法であって、
前記センサの構成（１０）が複数の気圧センサ（４００）と、前記気圧センサ（４００）を覆いかつ計測表面（２１０）を提供する追従層（２００）とを備え、
前記力を推論する方法が、
圧力値（Ｒ）を前記気圧センサ（４００）から読み出すステップと、
順伝播型ニューラルネットワーク（ＦＦＮＮ）を使って前記圧力値（Ｒ）に基づいて前記計測表面（２１０）上に力のマップ（ＦＭ）を計算するステップであって、前記力のマップ（ＦＭ）が複数の力のベクトル（Ｆ）を備える、力のマップ（ＦＭ）を計算するステップと、
を備える、力を検知するセンサの構成（１０）の、力を推論する方法。

【請求項2】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、転移ネットワーク（ＴＮ）及び再構築ネットワーク（ＲＮ）を備え、
前記転移ネットワーク（ＴＮ）は、前記気圧センサ（４００）を前記センサの構成（１０）の有限要素モデル（１０ａ）の複数の仮想センサ（４００ａ）に図示し、
前記再構築ネットワーク（ＲＮ）は、前記有限要素モデル（１０ａ）の前記仮想センサ（４００ａ）を前記力のマップ（ＦＭ）に図示し、
各前記仮想センサ（４００ａ）は、仮想センサの点の値（Ｓ）を持つ１つ又はそれより多い仮想センサ点（４１０ａ）を備える、
請求項１に記載の方法。

【請求項3】

前記再構築ネットワーク（ＲＮ）が前記力の推論の前に、以下のステップ、
－ 前記有限要素モデル（１０ａ）において複数の模擬試験を実行するステップ（Ｔ２＿１）であって、
各前記模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に１つ又はそれより多い模擬力（６０５ａ）を同時に適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆ）を備え、
前記有限要素モデル（１０ａ）で、対応する仮想センサの点の値（Ｓ）を計算する、前記複数の模擬試験を実行するステップ（Ｔ２＿１）と、
－ 計算された前記模擬力のマップ（ＦＭａ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って、前記再構築ネットワーク（ＲＮ）を訓練するステップ（Ｔ２＿２）と
で訓練された、請求項２に記載の方法。

【請求項4】

前記再構築ネットワーク（ＲＮ）は、複数の異なる模擬圧子形状を使用して訓練される、請求項３に記載の方法。

【請求項5】

前記再構築ネットワーク（ＲＮ）は、複数のサイズの模擬圧子（６００ａ）を使用して訓練される、請求項３又は４に記載の方法。

【請求項6】

前記再構築ネットワーク（ＲＮ）は、異なるせん断力成分を持つ複数の模擬力（６０５ａ）を使って訓練される、請求項３から５のいずれか一項に記載の方法。

【請求項7】

前記再構築ネットワーク（ＲＮ）は、異なる垂直抗力成分を持つ複数の模擬力（６０５ａ）を使って訓練される、請求項３から６のいずれか一項に記載の方法。

【請求項8】

前記転移ネットワーク（ＴＮ）が前記力の推論の前に以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ１＿１）であって、
各前記力の試験が、前記センサの構成（１０）の前記計測表面（２１０）上の位置に１つの圧子（６００）による力を加えて、前記圧子（６００）によって加えられた前記力（６０５）を同時に計測し、同時に前記気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、複数の力の試験を行うステップ（Ｔ１＿１）と、
－ 各前記力の試験について、前記有限要素モデル（１０ａ）で対応する模擬試験を実行し、前記有限要素モデル（１０ａ）を用いて、対応する仮想センサの点の前記値（Ｓ）を計算するステップ（Ｔ１＿２）であって、
各前記模擬試験は前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それにより、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力（６０５ａ）は計測された前記力（６０５）に対応しかつ計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に適用される、模擬試験を実行し、前記有限要素モデル（１０ａ）を用いて、対応する仮想センサの点の前記値（Ｓ）を計算するステップ（Ｔ１＿２）と、
－ 計測された前記圧力値（Ｒ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って前記転移ネットワーク（ＴＮ）を訓練するステップ（Ｔ１＿３）と
で訓練された、請求項２から７のいずれか一項に記載の方法。

【請求項9】

前記転移ネットワーク（ＴＮ）は、複数の異なる圧子形状を使用して訓練される、請求項８に記載の方法。

【請求項10】

前記転移ネットワーク（ＴＮ）は、異なるサイズの複数の圧子（６００）を使用して訓練される、請求項８又は９に記載の方法。

【請求項11】

前記転移ネットワーク（ＴＮ）は、異なるせん断力成分を持つ複数の力（６０５）を使って訓練される、請求項８から１０のいずれか一項に記載の方法。

【請求項12】

前記転移ネットワーク（ＴＮ）は、異なる垂直抗力成分を持つ複数の力（６０５）を使って訓練される、請求項８から１１のいずれか一項に記載の方法。

【請求項13】

前記順伝播型ニューラルネットワーク（ＦＦＮＮ）が、前記気圧センサ（４００）を前記力のマップ（ＦＭ）に直接図示する、請求項１に記載の方法。

【請求項14】

前記力の推論の前に、前記順伝播型ニューラルネットワーク（ＦＦＮＮ）が以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ３＿１）であって、
各前記力の試験が、前記センサの構成（１０）の計測表面（２１０）上の位置に１つの圧子（６００）により力（６０５）を加え、前記圧子（６００）によって加えられた力（６０５）を同時に計測し、同時に気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、前記複数の力の試験を行うステップ（Ｔ３＿１）と、
－ 各前記力の試験について、前記センサの構成（１０）の有限要素モデル（１０ａ）で対応する模擬試験を実行するステップ（Ｔ３＿２）であって、
各模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力（６０５ａ）は、計測された前記力（６０５）に相当し、前記計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に加えられる、
前記模擬試験を実行するステップ（Ｔ３＿２）と、
－ 計測された前記圧力値（Ｒ）と対応する計算された模擬力のマップ（ＦＭａ）を使用して前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練するステップ（Ｔ３＿３）と
で訓練された、請求項１から１３のいずれか一項に記載の方法。

【請求項15】

各前記力のベクトル（Ｆ）は、垂直抗力成分（Ｆ_Ｎ）と、第１せん断力成分（Ｆ_Ｓ１）と、第２せん断力成分（Ｆ_Ｓ２）とを備える、請求項１から１４のいずれか一項に記載の方法。

【請求項16】

再構築ネットワーク（ＲＮ）を訓練する方法（Ｔ２）であって、
前記再構築ネットワーク（ＲＮ）は、センサの構成（１０）の有限要素モデル（１０ａ）の仮想センサ（４００ａ）を力のマップ（ＦＭ）に図示し、
前記センサの構成（１０）は、複数の気圧センサ（４００）と、
前記気圧センサ（４００）を覆いかつ計測表面（２１０）を提供する追従層（２００）とを備え、
前記力のマップ（ＦＭ）は、複数の力のベクトル（Ｆ）を備え、
－ 各前記仮想センサ（４００ａ）は、１個又はそれより多い仮想センサ点（４１０ａ）を備え、各点が仮想センサの点の値（Ｓ）を持ち、
－ 前記再構築ネットワーク（ＲＮ）は、以下のステップ、
－ 前記有限要素モデル（１０ａ）において複数の模擬試験を実行するステップ（Ｔ２＿１）であって、
各前記模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に１つ又はそれより多い模擬力（６０５ａ）を同時に適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆａ）を備え、
前記有限要素モデル（１０ａ）で、対応する仮想センサの点の値（Ｓ）を計算する、前記複数の模擬試験を実行するステップ（Ｔ２＿１）と、
－ 計算された前記模擬力のマップ（ＦＭａ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って、前記再構築ネットワーク（ＲＮ）を訓練するステップ（Ｔ２＿２）と
で訓練される、再構築ネットワーク（ＲＮ）を訓練する方法（Ｔ２）。

【請求項17】

転移ネットワーク（ＴＮ）を訓練する方法（Ｔ１）であって、
前記転移ネットワーク（ＴＮ）は、センサの構成（１０）の気圧センサ（４００）を、前記センサの構成（１０）の有限要素モデル（１０ａ）の複数の仮想センサ（４００ａ）に図示し、
前記センサの構成（１０）が、
複数の気圧センサ（４００）と、
前記気圧センサ（４００）を覆い、計測表面（２１０）を提供する追従層（２００）と
を備え、
－ 各前記仮想センサ（４００ａ）は、１つ又はそれより多い仮想センサ点（４１０ａ）を備え、それぞれが仮想センサの点の値（Ｓ）を持ち、
－ 前記転移ネットワーク（ＴＮ）は、以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ１＿１）であって、
各前記力の試験が、前記センサの構成（１０）の前記計測表面（２１０）上の位置に１つの圧子（６００）による力（６０５）を加えて、前記圧子（６００）によって加えられた前記力（６０５）を同時に計測し、同時に前記気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、複数の力の試験を行うステップ（Ｔ１＿１）と、
－ 各前記力の試験について、前記有限要素モデル（１０ａ）で対応する模擬試験を実行し、前記有限要素モデル（１０ａ）を用いて、対応する仮想センサの点の前記値（Ｓ）を計算するステップ（Ｔ１＿２）であって、
各前記模擬試験は前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それにより、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力（６０５ａ）は計測された前記力（６０５）に対応しかつ計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に適用される、模擬試験を実行し、前記有限要素モデル（１０ａ）を用いて、対応する仮想センサの点の前記値（Ｓ）を計算するステップ（Ｔ１＿２）と、
－ 計測された前記圧力値（Ｒ）と対応する計算された仮想センサの点の前記値（Ｓ）を使って転移ネットワーク（ＴＮ）を訓練するステップ（Ｔ１＿３）と
で訓練される、転移ネットワーク（ＴＮ）を訓練する方法（Ｔ１）。

【請求項18】

順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する方法（Ｔ３）であって、
前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、気圧センサ（４００）の圧力値（Ｒ）に基づいて、センサの構成（１０）の計測表面（２１０）上の力のマップ（ＦＭ）を計算し、
前記センサの構成（１０）が、
複数の気圧センサ（４００）と、
前記気圧センサ（４００）を覆い、計測表面（２１０）を提供する追従層（２００）とを備え、
前記力のマップ（ＦＭ）は複数の力のベクトル（Ｆ）を備え、
前記順伝播型ニューラルネットワーク（ＦＦＮＮ）は、以下のステップ、
－ 前記センサの構成（１０）に対して複数の力の試験を行うステップ（Ｔ３＿１）であって、
各前記力の試験が、前記センサの構成（１０）の計測表面（２１０）上の位置に１つの圧子（６００）により力を加え、前記圧子（６００）によって加えられた力（６０５）を同時に計測し、同時に気圧センサ（４００）で圧力値（Ｒ）を計測することを備える、前記複数の力の試験を行うステップ（Ｔ３＿１）と、
－ 各前記力の試験について、前記センサの構成（１０）の有限要素モデル（１０ａ）で対応する模擬試験を実行するステップ（Ｔ３＿２）であって、
各模擬試験は、前記有限要素モデル（１０ａ）の模擬計測表面（２１０ａ）に模擬力（６０５ａ）を適用することを備え、それによって、前記模擬計測表面（２１０ａ）上の模擬力のマップ（ＦＭａ）を計算し、
前記模擬力のマップ（ＦＭａ）は、複数の模擬力のベクトル（Ｆａ）を備え、
前記模擬力は、計測された前記力（６０５）に相当し、前記計測表面（２１０）上の位置に対応する前記模擬計測表面（２１０ａ）上の位置に加えられる、
前記模擬試験を実行するステップ（Ｔ３＿２）と、
－ 計測された前記圧力値（Ｒ）と対応する計算された模擬力のマップ（ＦＭａ）を使用して前記順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練するステップ（Ｔ３＿３）と
で訓練される、順伝播型ニューラルネットワーク（ＦＦＮＮ）を訓練する方法（Ｔ３）。

【請求項19】

力を検知するセンサの構成（１０）用の力の推論のモジュールであって、前記力の推論のモジュールは、請求項１から１８のいずれか一項に記載の方法を実行するように構成されている、前記力の推論のモジュール。

【請求項20】

力を検知するセンサの構成（１０）であって、前記センサの構成（１０）が、
フレキシブル回路基板（３００）と、
前記フレキシブル回路基板（３００）に取り付けられた複数の気圧センサ（４００）と、
前記フレキシブル回路基板（３００）が周りを覆いかつ前記フレキシブル基板（３００）が取り付けられている剛性コア（１００）であって、それにより、前記剛性コア（１００）から離れる向きに突出している前記気圧センサ（４００）と共に前記剛性コア（１００）を前記フレキシブル回路基板（３００）が少なくとも部分的に覆っている、剛性コア（１００）と、
前記気圧センサ（４００）を覆いかつ計測表面（２１０）を提供している、追従層（２００）と、
請求項１９に記載の力の推論モジュールと
を備える、力を検知するセンサの構成（１０）。

【国際調査報告】