56、可穿戴触觉设备设计:实现情感触摸模拟

可穿戴触觉设备设计:实现情感触摸模拟

1. 引言

在过去几十年里,传感和控制领域的进步使得人们对社交和辅助机器人的兴趣日益浓厚。这也促使了人机界面在假肢、外骨骼和矫形器等方面得到广泛应用。然而,目前的辅助机器人在展示社交或情感触摸方面能力有限,它们无法感知、处理或解读这种带有享乐或动机成分的触觉。

研究表明,用软毛刷以中等速度抚摸前臂皮肤,能让低阈值无髓鞘机械感受器(C - 触觉传入纤维)产生最佳反应,给参与者带来最愉悦的感受。此前Ackerley等人的研究发现,使用软毛刷、毛皮和砂纸三种不同材料抚摸健康参与者的前臂皮肤时,软质材料以及抚摸有毛发的皮肤能带来更积极和愉悦的体验,而且他人的触摸比自我触摸更令人愉悦。

目前,关于介导情感触摸设备的技术实现研究相对较少。现有的相关设备主要采用连续或振动触觉刺激,如用带刷子的机器人刺激器持续刺激前臂,或使用振动电机、磁铁阵列等。但这些设备存在技术限制,引发了以下研究问题:
- 如何为人类参与者提供愉悦且连续的触感?
- 哪些操作参数(如压痕速度、力度、运动类型和运动速度)在设计过程中至关重要?
- 不同的压痕模式是否会引发参与者不同的情感反应?

为解决这些问题,研究人员设计了一款可穿戴触觉设备,旨在模拟情感触摸,为参与者带来愉悦的触感体验。

2. 概念设计
2.1 系统概念

该系统主要由两部分组成:可穿戴设备和控制界面。可穿戴设备包含执行器和传感器,控制界面则用于控制设备。控制界面(Arduino Mega)以模式和图案的形式发送控制命令,设备将当前状态(如执行器位置)反馈给控制界面,实现闭环控制。目前,对皮肤施加的力仅进

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值