Nghiên cứu điển hình R&D về phát triển hệ thống cảm biến OptiGap
- Bài viết này khám phá quá trình nghiên cứu và phát triển của OptiGap, một hệ thống cảm biến mới là yếu tố cốt lõi trong nghiên cứu luận án tiến sĩ của tác giả
- Tác giả muốn cung cấp góc nhìn về quá trình ra quyết định và sự tiến hóa cho đến khi triển khai cuối cùng dưới hình thức kể chuyện
- Bài viết mang đến cơ hội nhìn thoáng qua vào thế giới đôi khi bị che giấu của nghiên cứu tiến sĩ và có thể thu hút những ai tò mò về quá trình này
- Nếu muốn tìm hiểu chi tiết hơn về các khía cạnh kỹ thuật, mô phỏng và các nghiên cứu trước đây liên quan đến chủ đề này, bạn có thể xem luận án của tác giả trực tuyến
Chức năng của hệ thống cảm biến OptiGap
- Nói một cách rất dễ hiểu, cảm biến này về cơ bản giống như một sợi dây có thể cho biết vị trí nào dọc theo chiều dài của nó bị uốn cong khi bạn bẻ nó
- Điều này được gọi là "định vị độ uốn" (
bend localization)
- Lĩnh vực ứng dụng của OptiGap chủ yếu nằm trong mảng robot mềm, nơi thường liên quan đến các hệ thống linh hoạt (hoặc “mềm dẻo”) mà việc dùng cảm biến truyền thống thường không thực tế
- Tên gọi OptiGap là từ ghép của "optical" và "gap", phản ánh nguyên lý cốt lõi là tận dụng các khe hở không khí trong ống dẫn sáng linh hoạt để tạo ra các mẫu mã hóa thiết yếu cho việc định vị độ uốn
Khởi đầu của hệ thống cảm biến OptiGap
- Ý tưởng về OptiGap xuất hiện khi tác giả thử nghiệm truyền ánh sáng qua nhiều loại ống dẫn sáng khác nhau (cáp quang) để dùng làm cảm biến phát hiện độ uốn
- Ban đầu, tác giả đang tìm cách làm cho ánh sáng “chậm lại” một cách hiệu quả khi đi qua sợi quang
- Trong quá trình này, tác giả gắn một đoạn sợi nhựa in 3D trong suốt (TPU 1.75mm) lên thước cuộn để thí nghiệm, và tình cờ phát hiện rằng khi bẻ cong thước cuộn (và cả sợi nhựa) tại điểm có dán băng keo điện, lượng truyền sáng giảm đáng kể
- Tác giả đưa ra giả thuyết rằng phần keo dính còn sót lại của băng keo điện làm sợi nhựa bị kéo giãn, từ đó làm giảm truyền sáng
- Để kiểm chứng giả thuyết, tác giả gắn một đoạn TPU dài hơn lên thước cuộn và bắt đầu bẻ ở nhiều điểm khác nhau để quan sát cách truyền sáng thay đổi
Hiện thực hóa OptiGap
- Tác giả nhận ra rằng vì có thể kiểm soát vị trí xảy ra suy hao quang, nên có thể dùng điều này để mã hóa thông tin về vị trí uốn của cảm biến
- Vì dùng băng keo điện không phải là giải pháp thực tế, tác giả bắt đầu tìm một phương pháp đáng tin cậy và nhất quán hơn để tạo ra sự suy hao này
- Điều đó dẫn đến ý tưởng cắt sợi nhựa rồi nối lại bằng một ống bọc cao su mềm (silicone), đồng thời chừa ra các khe hở không khí nhỏ
- Nguyên lý hoạt động chính của khe hở không khí là khi một bề mặt của ống dẫn sáng bị dịch chuyển và/hoặc xoay tương đối so với bề mặt còn lại, phần ánh sáng được truyền qua khe sẽ thay đổi
- Góc uốn càng lớn thì càng nhiều ánh sáng thoát ra qua khe
- Sự thay đổi cường độ tín hiệu quang thu được có thể được liên hệ với các mẫu đã biết để dùng như một cảm biến
Ý tưởng lớn
- Tác giả đã thử nghiệm ý tưởng này bằng cách tạo nhiều khe hở không khí thẳng hàng và bẻ cong sợi nhựa để đo suy hao
- Cường độ ánh sáng giảm tại từng khe hở không khí, và giảm rõ rệt hơn khi góc uốn tăng lên
- Thí nghiệm ban đầu này đóng vai trò như một bằng chứng khái niệm, chứng minh tính khả thi của ý tưởng
- Điều này dẫn đến giả thuyết cuối cùng của tác giả: tận dụng các mẫu khe hở không khí này để mã hóa thông tin về độ uốn của cảm biến và dùng bộ phân loại Naive Bayes trên vi điều khiển để giải mã vị trí uốn
- Khái niệm này tương tự như cách hoạt động của encoder tuyến tính
- Hệ thống OptiGap hoạt động như một encoder tuyệt đối, mã hóa vị trí tuyệt đối bằng các mẫu khe hở không khí nhạy với độ uốn dọc theo các ống dẫn sáng song song, và trên thực tế đóng vai trò như một cảm biến sợi quang đơn
Mã hóa vị trí uốn bằng mã Gray đảo
- Mã Gray đảo là một mã nhị phân trong đó hai giá trị liên tiếp khác nhau tối đa (n-1) bit
- Để triển khai điều này, tác giả tạo các vết cắt trên sợi nhựa ở mọi vị trí có giá trị "1" trong chuỗi mã Gray đảo
- Cách tiếp cận này có thể mở rộng với mọi số lượng bit
- Với nguyên mẫu, tác giả dùng 3 bit để tạo ra 8 vị trí khả dĩ
Trực quan hóa hệ thống cảm biến OptiGap
- Hình minh họa cho thấy mẫu tín hiệu của hệ thống cảm biến OptiGap cho từng vị trí uốn khi sử dụng 3 sợi quang
- Bằng cách dùng bộ phân loại Naive Bayes, hệ thống cảm biến có thể xác định vị trí uốn dựa trên mẫu tín hiệu
- Biểu đồ thứ ba thể hiện dữ liệu cảm biến thực tế thu được từ hệ thống nguyên mẫu, được dùng để huấn luyện bộ phân loại trên vi điều khiển
Nguyên mẫu OptiGap
- Tác giả đã chế tạo nguyên mẫu của hệ thống cảm biến OptiGap bằng 3 sợi nhựa in 3D TPU trong suốt, mỗi sợi có một mẫu khe hở không khí riêng
- Sử dụng bộ ghép sợi quang thương mại 3:1 để gộp 3 luồng ánh sáng thành một cáp quang đơn, từ đó hoàn thiện nguyên mẫu cảm biến
- Đây là bước cuối cùng để xác thực giả thuyết và lý thuyết vận hành đằng sau cảm biến OptiGap
Thu nhỏ kích thước vật lý
- Nguyên mẫu ban đầu được chứng minh là lớn và cồng kềnh do kích thước của sợi nhựa in 3D được sử dụng
- Dựa trên kinh nghiệm trước đó, tác giả nhận thấy sợi quang PMMA (nhựa) cung cấp một lựa chọn thay thế nhỏ hơn và linh hoạt hơn, phù hợp với ứng dụng này
- Kết quả là, tác giả đã đánh giá sợi quang PMMA trần 500, 750 và 1000 micron của Industrial Fiber Optics, Inc. cho các strand cảm biến, qua đó giảm đáng kể kích thước cảm biến
- Các thử nghiệm đã được thực hiện để đánh giá khả năng truyền sáng và độ linh hoạt của cả 3 loại sợi quang
- Trong số đó, sợi quang 500 micron cho thấy là lựa chọn tối ưu tổng thể, dù cả 3 loại đều đủ linh hoạt cho ứng dụng này
Giảm độ phức tạp của bộ thu phát quang
- Để giảm độ phức tạp của hệ thống và tăng tính mô-đun, tác giả quyết định dùng cấu hình photodiode và IR LED đơn giản thay cho cảm biến ToF VL53L0X phức tạp
- Điều này cho phép đọc dữ liệu cảm biến bằng vi điều khiển, mang lại cải tiến đáng kể so với nguyên mẫu ban đầu
- Sau đó, tác giả tạo một hệ thống demo cho cảm biến dựa trên vi điều khiển STM32 và cấu hình photodiode/IR LED
Học máy thời gian thực trên vi điều khiển
- Giai đoạn cuối của việc phát triển hệ thống cảm biến OptiGap bao gồm tích hợp bộ phân loại Naive Bayes vào vi điều khiển STM32 để giải mã vị trí uốn từ dữ liệu cảm biến
- Tác giả chọn bộ phân loại Naive Bayes vì nó hiệu quả hơn so với câu lệnh
if hoặc bảng tra cứu, có thể xử lý dữ liệu mới hoặc dữ liệu chưa từng thấy trước đó, và có tiềm năng tăng độ chính xác bằng cách xem xét mối quan hệ giữa nhiều biến đầu vào
- Việc triển khai bộ phân loại Naive Bayes hóa ra tương đối đơn giản
- Đây là một mô hình xác suất áp dụng định lý Bayes để xác định cách một phép đo có thể được gán vào một lớp cụ thể; trong ngữ cảnh này, lớp chính là vị trí uốn
- Tác giả sử dụng thư viện Arm CMSIS-DSP để triển khai bộ phân loại
Khớp dữ liệu cảm biến
- Bước đầu tiên để tích hợp bộ phân loại là khớp dữ liệu cảm biến với phân phối Gaussian cho từng mẫu khe hở không khí
- Để đẩy nhanh quá trình này, tác giả đã phát triển một GUI bằng Python dùng GNB (Gaussian Naive Bayes) của thư viện scikit-learn để nhanh chóng gắn nhãn và khớp dữ liệu
- Về sau, giao diện này được cải tiến theo hướng tổng quát hơn và cho phép khớp dữ liệu phức tạp hơn
- Xác suất cho từng lớp được tính toán và lưu dưới dạng header để có thể dùng trên vi điều khiển
Lọc dữ liệu cảm biến
- Để tăng độ chính xác của bộ phân loại, tác giả đã triển khai quy trình lọc 2 giai đoạn trên STM32
- Giai đoạn đầu gồm bộ lọc trung bình trượt cơ bản, còn giai đoạn thứ hai dùng bộ lọc Kalman
Demo hệ thống cảm biến OptiGap
- GIF được cung cấp cho thấy nhiều giai đoạn khác nhau của hệ thống cảm biến OptiGap, bao gồm quá trình lắp ráp và trình diễn hoạt động của hệ thống cảm biến hoàn chỉnh
Thông số thiết kế OptiGap
- Các thuộc tính và tham số cốt lõi
- Khuyến nghị về vật liệu
Các bước tiếp theo
- Tác giả đã đạt được những tiến triển đáng kể với hệ thống OptiGap vượt xa những gì được ghi lại ở đây
- Trong đó có công việc tích hợp vào một hệ thống truyền động và cảm biến mô-đun có tên EneGate
- Điều này liên quan đến thiết kế PCB tùy chỉnh và tích hợp hệ thống, được mô tả chi tiết trong luận án
- Tác giả cũng đã tạo nguyên mẫu một phiên bản PCB quang học cỡ nhỏ để giao tiếp với PCB cho hệ thống EneGate
- OptiGap đã được xác thực trên hệ thống robot mềm thực tế, và chi tiết sẽ được công bố trong bài báo RoboSoft có tiêu đề " Cảm biến ống dẫn sóng quang nhúng để giám sát chuyển động động trong cấu trúc dầm xoắn "
Thương mại hóa
- Nghiên cứu này cũng đang có các khía cạnh liên quan đến thương mại hóa
Ý kiến của GN⁺
- Hệ thống cảm biến OptiGap có vẻ là một công nghệ đổi mới có thể phát hiện vị trí uốn mà các cảm biến hiện có khó nắm bắt trong lĩnh vực robot mềm. Nhiều hệ thống khác nhau đòi hỏi tính linh hoạt
1 bình luận
Ý kiến trên Hacker News
Dưới đây là những ý chính từ các bình luận trên Hacker News, được tóm tắt với giọng điệu trung lập và giàu thông tin:
Ý tưởng chung về việc làm cho vật liệu trở nên “tự nhận biết” hơn hoặc có thể kiểm tra được được đánh giá là thú vị và mang cảm giác khoa học viễn tưởng.
Nghiên cứu trước đây của một người bình luận đã dùng mạng nơ-ron giá trị phức để học ma trận truyền của một sợi quang, điều này có liên quan đến công trình này vì việc bẻ cong sợi quang đòi hỏi phải học lại một ma trận mới. Có thể sẽ học được một đặc trưng tham số hóa của sợi quang để mô hình hóa hình dạng của nó.
Nghiên cứu có vẻ rất kỹ lưỡng và được ghi chép đầy đủ. Người hướng dẫn, Cindy Harnett, có lẽ nhận thức được sự tương đồng về mặt khái niệm với phép phản xạ miền thời gian.
Có những câu hỏi về cách cảm biến xử lý nhiều điểm uốn. Có vẻ như với thiết lập hiện tại, nhiều điểm uốn sẽ dẫn đến tổng các log suy hao, có thể cần số sợi tương ứng với số vị trí uốn để phân biệt. Cần làm rõ liệu thiết kế này chỉ dành cho trường hợp một điểm uốn hay không.
Những cải tiến tiềm năng có thể giúp công nghệ này được sản xuất hàng loạt với độ chính xác cao. Các ứng dụng bao gồm cảm biến chạm 2D hoặc 3D chi phí thấp cho robot, cảm nhận bản thể nhạy theo hướng cho các ống mềm, và phát hiện chênh lệch nhiệt độ cục bộ.
Công nghệ này có vẻ giống Nintendo Power Glove, vốn dùng ánh sáng truyền qua một ống để kích hoạt các lần nhấn phím dựa trên độ cong của ngón tay hoặc bàn tay.
Việc có một người hướng dẫn tuyệt vời được nhấn mạnh là yếu tố tạo nên khác biệt giữa một trải nghiệm tồi tệ và một trải nghiệm tốt.
Một người bình luận quan tâm đến việc dùng cảm biến này (hoặc nhiều cảm biến kết hợp) để phát hiện chính xác cú swing của gậy golf cho một golf launch monitor mà không cần phải đánh bóng.
Các gợi ý cải tiến bao gồm:
Công trình này khiến một người bình luận khác liên tưởng đến distributed acoustic sensing (DAS) dùng cáp quang cho nhiều tác vụ giám sát khác nhau, dù họ chưa từng thấy nó được dùng cho soft robotics trước đây.
Thách thức trong sản xuất khi cần các sợi theo log2 và các kiểu mã hóa khác nhau ở mỗi mối nối đã được thừa nhận, nhưng không bị xem là vấn đề ở giai đoạn nghiên cứu/chứng minh ý tưởng.