Soft sensors made of highly deformable materials are one of the enabling technologies to various soft robotic systems, such as soft mobile robots, soft wearable robots, and soft grippers. However, major drawbacks of soft sensors compared with traditional sensors are their nonlinearity and hysteresis in response, which are common especially in microfluidic soft sensors. In this research, we propose to address the above issues of soft sensors by taking advantage of deep learning. We implemented a hierarchical recurrent sensing network, a type of recur- rent neural network model, to the calibration of soft sensors for estimating the magnitude and the location of a contact pressure simultaneously. The proposed approach in this paper were not only able to model the nonlinear characteristic with hysteresis of the pressure response, but also find the location of the pressure.
소프트 센서는 변형이 잘 되는 유연한 소재로 이루어져 소프트 모바일 로봇, 소프트 웨어러블 로봇, 소프트 그리퍼와 같은 소프트 로보틱스 시스템에 유용하게 사용된다. 그러나, 종래의 센서들과 비교되는 주요 단점은 소프트 센서의 신호 값이 비선형적이고 히스테리시스 현상이 발생한다는 점이다. 특히 이러한 현상은 마이크 로플루이딕 소프트 센서들에서 공통적으로 발생하는 문제이다. 이 연구에서는, 이러한 문제점들을 딥러닝을 활용하여 해결하고 하고자 한다. 우리는 계층적 순환 센싱 신경망을 제안하여 소프트 센서에 가해지는 압력의 크기와 접촉 위치를 추론할 수 있게 하여 소프트 센서의 보정이 가능하게 하였다. 우리의 방법론은 히스테리 시스라는 비선형성 고려하여 압력의 크기를 모델링 하면서, 동시에 압력이 가해지는 위치도 추정할 수 있다.
