論文の概要: Flexible Piezoelectric Tactile Sensing System for Intelligent Object Recognition
- arxiv url: http://arxiv.org/abs/2611.07779v1
- Date: Thu, 05 Nov 2026 10:18:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.655237
- Title: Flexible Piezoelectric Tactile Sensing System for Intelligent Object Recognition
- Title（参考訳）: 知的物体認識のためのフレキシブル圧電触覚センシングシステム
- Abstract要約: 本研究では,早期物体認識のための柔軟で分散した圧電触覚センシングシステムを提案する。
センサ数と時間窓サイズが認識精度およびリアルタイム実現可能性に及ぼす影響について検討した。
32個のセンサーと100ミリ秒の時間窓(50サンプル)からなる最適な構成は、組込みエッジプラットフォームに展開された。
- 参考スコア（独自算出の注目度）: 0.7635154697466772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tactile sensing provides information about object properties that can improve robotic grasping and manipulation. However, accurate object recognition during the early stages of grasping remains challenging, particularly under strict real-time constraints. This study presents a flexible, distributed piezoelectric tactile sensing system for early-stage object recognition. The system was experimentally evaluated using six everyday objects and three recognition approaches: feature-based classification using support vector machines (SVMs), raw-signal classification using 1D convolutional neural networks (1D-CNNs) and convolutional recurrent neural networks (C-RNNs), and spatiotemporal heatmap classification using a 2D-CNN. The effects of sensor count and temporal window size on recognition accuracy and real-time feasibility were systematically investigated. Increasing the number of sensing elements improved recognition performance across all approaches. The best-performing method, based on spatiotemporal heatmaps and a 2D-CNN, achieved F1-scores of 0.9796, 0.9846, and 0.9903 using 16, 24, and 32 sensors, respectively. The optimal configuration, comprising 32 sensors and a 100-ms temporal window (50 samples), was deployed on an embedded edge platform, achieving an end-to-end recognition latency of approximately 101 ms from contact onset and an energy consumption of 63.8 microjoules per inference. These results demonstrate the potential of distributed piezoelectric tactile sensing for accurate, energy-efficient, and real-time object recognition during robotic grasping.
- Abstract（参考訳）: 触覚は、ロボットの把握と操作を改善するオブジェクト特性に関する情報を提供する。
しかし、把握の初期段階における正確な物体認識は、特に厳密なリアルタイム制約の下では難しいままである。
本研究では,早期物体認識のための柔軟で分散した圧電触覚センシングシステムを提案する。
このシステムは,6つの日常オブジェクトと3つの認識アプローチを用いて実験的に評価された。サポートベクトルマシン(SVM)を用いた特徴ベース分類,1D畳み込みニューラルネットワーク(1D-CNN)と畳み込みリカレントニューラルネットワーク(C-RNN)を用いた生信号分類,および2D-CNNを用いた時空間熱マップ分類である。
センサ数と時間窓サイズが認識精度およびリアルタイム実現可能性に及ぼす影響を系統的に検討した。
センシング要素の数を増やすことで、すべてのアプローチにおける認識性能が向上した。
時空間熱マップと2D-CNNに基づく最適性能法は16,24,32センサを用いてそれぞれ0.9796,0.9846,0.9903のF1スコアを得た。
32個のセンサーと100ミリ秒の時間窓(50サンプル)からなる最適な構成は、組込みエッジプラットフォームに展開され、コンタクトオンセットから約101ミリ秒のエンドツーエンド認識レイテンシと、推論当たりのエネルギー消費量63.8マイクロジュールを実現した。
これらの結果は,ロボットの把持時の高精度,エネルギー効率,リアルタイム物体認識のための分散圧電触覚センサの可能性を示している。
関連論文リスト
- Robust Slip Detection and Material Classification via Spatiotemporal Transformers on a Uniformly-Illuminated Visuo-Tactile Sensor [52.33204893988409]
本稿では,一様照明をカスタマイズした視覚触覚センサと統合認識フレームワークを提案する。
提案するハードウェア・ソフトウェア・フレームワークは、複雑なロボット操作のための高忠実度フィードバックと強力なマルチモーダル認識ベースラインを提供する。
論文 参考訳（メタデータ） (2026-08-25T07:25:27Z) - GelNeuro: A Sensing-Computing Integrated Neuromorphic Tactile System for Texture Recognition [3.563572187323213]
本稿では,GelSight Miniベースの光触覚フロントエンドとSpeck2fニューロモーフィック・オン・チップ(SoC)を直接組み合わせた完全統合型感触覚システムを提案する。
GelNeuroは、目に見えない接触深度にわたって堅牢な一般化を示し、エッジニューロモルフィックハードウェア上での直接センサー対チップ触覚認識の実現可能性を示している。
論文 参考訳（メタデータ） (2026-07-06T15:52:35Z) - Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。
本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-16T10:20:05Z) - Development of ML model for triboelectric nanogenerator based sign language detection system [0.0]
聴覚と聴覚のコミュニケーションギャップを埋めるためには手話認識が不可欠である。
本研究は、カスタムトライボ誘電体ナノジェネレータ(TENG)を用いたセンサグローブにおける機械学習(ML)とディープラーニングモデルの比較を示す。
提案したMFCC CNN-LSTMアーキテクチャは、融合前の独立した畳み込み枝を通じて各センサから周波数領域の特徴を処理する。
論文 参考訳（メタデータ） (2026-03-26T08:35:02Z) - Bayesian and Neural Inference on LSTM-based Object Recognition from
Tactile and Kinesthetic Information [0.0]
触覚知覚は触覚(触覚や審美感覚など)に遭遇する感覚のモーダル性を含む
本論文は多モーダル物体認識に焦点をあて,触覚と審美に基づく分類結果を融合する解析的およびデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2023-06-10T12:29:23Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern
Recognition on Neuromorphic Hardware [50.380319968947035]
近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。
文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。
フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。
LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
論文 参考訳（メタデータ） (2022-05-30T14:30:45Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - Real-Time Activity Recognition and Intention Recognition Using a
Vision-based Embedded System [4.060731229044571]
ドアを通そうとしないという人々の意図を認識するために,リアルタイムな活動認識を導入する。
このシステムは、エレベーターや自動ドアに適用すれば、省エネと効率の向上につながる。
組込みシステムは、意図認識データセットの98.78%の精度で実装された。
論文 参考訳（メタデータ） (2021-07-27T11:38:44Z) - Temporal Pulses Driven Spiking Neural Network for Fast Object
Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。
各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文 参考訳（メタデータ） (2020-01-24T22:58:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。