Newshot

Launch HN:Axonnic(YC F26)——可追踪手指并估算力量的袖套

Translation(model translation, not the source's own text)
Launch HN: Axonnic (YC F26) – 可追踪手指并估算力量的前臂袖套
9 points by arshpatankar 16 minutes ago │ hide │ past │ favorite │ 1 comment
各位 HN 读者好!我们是 Arsh 和 Max,Axonnic( https://axonnic.com )的创始人。我们开发了一款前臂袖套,它通过读取肌肉活动来解码手指动作并估算指尖力量,同时让双手保持裸露。它用于记录人体运动,并为灵巧机器人生成训练数据。这是演示视频:https://youtube.com/shorts/xBrocTc9cfA 我们发现,肌电图(EMG)是训练机器人比仅靠视频好得多的方式,因为视频只捕捉动作,而不捕捉肌肉活动或动作背后的用力。即使手几乎不动,也可能存在有用的信号;仅仅维持抓握就涉及肌肉激活。视频中几乎无法捕捉的细微肌肉运动,正是缝纫和精细装配等活动中最重要的细节。这款袖套有 64 通道表面肌电图,即 EMG。皮肤上的电极检测前臂肌肉的电活动。我们将传感器分布在整个前臂上,以避免对单一肌群过拟合。我们将 EMG 与手部追踪同步,训练一个预测手指关节角度的模型,然后仅依靠 EMG 运行解码器,并加入根据手指按压力量传感器校准的指尖力量估算。当用户脱下袖套再重新戴上时,电极位置会改变,因此我们在不同佩戴情况下进行测试。在一个案例中,我们在训练四天后进行了一次 215 秒的录制,没有做任何重新校准,并将结果与 Apple Vision Pro 的手部追踪进行了比较。结果是在 20 个关节角度上误差仅为 6.9°。我们已在此处发布测量结果和评估细节:https://axonnic.com/benchmarks 。我们在工厂进行录制时面临许多挑战,包括无线干扰和不可靠的现成硬件。这导致了一些糟糕的录制,并需要重复数据采集。因此,我们正在开发自己的电子设备,采用有线 PCB 设计,以消除干扰和时序不一致。Axonnic 源自 Max 在牛津的 EMG 研究。我们曾考虑将该技术用于计算机控制,然后我们认为一个更有前景的用例是捕捉熟练手工任务中所涉及的用力。这项技术可以被描述为一种从计算机到人的接口。即计算机从人类技能中获得洞察并学习。缝纫尤其突出,因为材料会变形,操作者需要不断调整抓握和张力。Maxim 拥有牛津 MBiol 学位,并从事过高密度表面 EMG 研究。他此前在 Skyscanner 构建内部工具,并在 Voxblock 从事 PCB 开发和供应链工作。Arsh 在牛津学习医学,拥有将机器学习应用于医学影像的研究经验,同时参与过软件和机器人项目。我们一起构建了这款袖套、解码软件和数据采集系统,并在工业环境中进行了测试。到目前为止,我们的技术正被一家欧洲制造商用于记录缝纫和其他手工任务,该制造商签署了一份 LOI,以支持机器人实施。我们还采集了涉及电工、水管工和拆除工作的建筑演示。这些是试点和数据采集示例。另外,我们的公开演示包括通过前臂 EMG 控制 Proception 机械手。如果你自己做过多项用于训练机器人执行手工任务的试验,我们很想听听你试图训练哪些任务以及试验进展如何。我们很乐意在评论中讨论硬件、校准和模型。谢谢!https://axonnic.com

这是演示视频:https://youtube.com/shorts/xBrocTc9cfA

Launch HN:Axonnic(YC F26)——可追踪手指并估算力的袖套

我们发现,肌电图(EMG)是比仅靠视频训练机器人好得多的方式,因为视频只捕捉动作,不捕捉肌肉活动或动作背后的用力。即使手几乎不动,也可能存在有用信号;仅仅维持抓握就涉及肌肉激活。视频中几乎无法捕捉的细微肌肉运动,才是缝纫和精细装配等活动最重要的细节。

袖套有 64 通道表面肌电图,即 EMG。皮肤上的电极检测前臂肌肉的电活动。我们把传感器分布在整个前臂,以免过拟合到单一肌群。我们将 EMG 与手部追踪同步,训练一个预测手指关节角度的模型,然后仅用 EMG 运行解码器,并加入根据手指按压力传感器校准得到的指尖力估计。

当用户脱下袖套再重新戴上时,电极位置会变化,因此我们在不同佩戴次上运行测试。有一次,我们在训练四天后进行了一段 215 秒的记录,未做任何重新校准,并将结果与 Apple Vision Pro 手部追踪进行比较。结果是 20 个关节角度上的误差仅为 6.9°。我们已在此处发布测量和评估细节:https://axonnic.com/benchmarks。

我们在工厂进行记录时面临许多挑战,包括无线干扰和不可靠的现成硬件。这导致了一些糟糕的记录,并需要重复数据采集。因此,我们正在开发自己的电子设备,采用有线 PCB 设计,以消除干扰和时序不一致。

Axonnic 源于 Max 在 Oxford 的 EMG 研究。我们先是考虑将这项技术用于计算机控制,后来认为更有前景的用例是捕捉熟练手工任务中的用力。这项技术可以被描述为计算机到人的接口。计算机由此获得洞察并向人类技能学习。缝纫尤其突出,因为材料会变形,操作员需要不断调整抓握和张力。

Maxim 拥有 Oxford 的 MBiol 学位,并从事过高密度表面 EMG 研究。他此前在 Skyscanner 构建内部工具,并在 Voxblock 工作,涉及 PCB 开发和供应链。Arsh 在 Oxford 学习医学,并有将机器学习应用于医学影像的研究经验,同时参与软件和机器人项目。我们一起构建了袖套、解码软件和数据采集系统,并在工业环境中进行了测试。

到目前为止,我们的技术正被一家欧洲制造商用于记录缝纫和其他手工任务,该制造商签署了一份 LOI,以获得机器人实施方面的支持。我们还收集了涉及电工、水管工和拆除工作的建筑演示。这些是试点和数据收集示例。另外,我们的公开演示包括用前臂 EMG 控制 Proception 机械手。

如果你自己做过任何为手工任务训练机器人的试验,我们很想听听你试图训练什么任务以及试验进展如何。我们很乐意在评论

The translation is machine-generated and individual terms may be off. Nothing is rewritten or cut; the original is authoritative.

Published by Hacker News
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗