Estudio de caso de I+D sobre el desarrollo del sistema de sensores OptiGap
- Este artículo explora el proceso de investigación y desarrollo de OptiGap, un nuevo sistema de sensores que constituye un elemento central de la investigación de la tesis doctoral del autor
- Busca ofrecer, en formato narrativo, una visión del proceso de toma de decisiones y de la evolución hasta la implementación final
- Puede brindar una oportunidad para echar un vistazo al mundo, a veces oculto, de la investigación doctoral y despertar el interés de quienes sientan curiosidad por este proceso
- Si quieres conocer con más detalle los aspectos técnicos de este tema, las simulaciones y los trabajos previos, puedes consultar en línea la tesis del autor
Función del sistema de sensores OptiGap
- En términos muy generales, este sensor es básicamente como una cuerda que, al doblarse, puede indicar en qué parte de su longitud se dobló
- A esto se le llama "localización de la flexión" (
bend localization)
- Las aplicaciones de OptiGap se encuentran principalmente dentro del campo de la robótica blanda, que involucra sistemas flexibles (o "suaves") en los que el uso de sensores tradicionales muchas veces no es práctico
- El nombre OptiGap es una combinación de "óptico" (
optical) y "brecha" (gap), y refleja el principio clave de aprovechar espacios de aire dentro de una guía de luz flexible para generar los patrones codificados esenciales para la localización de la flexión
El inicio del sistema de sensores OptiGap
- La idea de OptiGap surgió mientras el autor experimentaba con la transmisión de luz a través de varias guías de luz (cables ópticos) para usarlas como sensores de flexión
- Al principio, intentaba encontrar una forma de "ralentizar" eficazmente la luz a través de una fibra óptica
- Durante este proceso, el autor fijó un trozo de filamento transparente de impresora 3D (TPU de 1.75 mm) a una cinta métrica para experimentar, y descubrió por casualidad que, al doblar la cinta métrica (y el filamento) en el punto donde estaba pegada la cinta aislante, la transmisión de luz disminuía considerablemente
- Planteó la hipótesis de que esto ocurría porque el residuo pegajoso de la cinta aislante hacía que el filamento se estirara, reduciendo así la transmisión de luz
- Para verificar la hipótesis, fijó un tramo más largo de TPU a la cinta métrica y comenzó a doblarlo en distintos puntos para observar cómo cambiaba la transmisión de luz
La materialización de OptiGap
- El autor se dio cuenta de que, como podía controlar el lugar donde se producía la atenuación óptica, podía usar eso para codificar información sobre el punto de flexión del sensor
- Como usar cinta aislante no era una solución práctica, comenzó a buscar un método más confiable y consistente para generar esa atenuación
- Eso llevó a la idea de cortar el filamento y volver a unirlo usando una manga de goma flexible (silicona), dejando pequeños espacios de aire
- El principio de funcionamiento principal de los espacios de aire es que, si una cara de la guía de luz se desplaza y/o rota con respecto a la otra, cambia la fracción de luz transmitida a través del espacio
- Cuanto mayor sea el ángulo de flexión, más luz se escapa a través del espacio
- El cambio resultante en la intensidad de la señal óptica puede asociarse con patrones conocidos para utilizarse como sensor
La gran idea
- El autor probó esta idea creando varios espacios de aire en línea y doblando el filamento para medir la atenuación
- La intensidad de la luz disminuye en cada espacio de aire y lo hace de forma más notable a medida que aumenta el ángulo de flexión
- Este experimento inicial sirvió como prueba de concepto y demostró la viabilidad de la idea
- Esto condujo a la formulación de la hipótesis final del autor: usar estos patrones de espacios de aire para codificar información sobre la flexión del sensor y decodificar la posición de la flexión con un clasificador Naive Bayes en un microcontrolador
- Este concepto es similar al funcionamiento de un codificador lineal
- El sistema OptiGap opera como un codificador absoluto, codificando la posición absoluta mediante patrones de espacios de aire sensibles a la flexión a lo largo de guías de luz paralelas, actuando de hecho como un sensor de una sola fibra óptica
Codificación de la posición de flexión usando código Gray inverso
- El código Gray inverso es un código binario en el que dos valores consecutivos difieren como máximo en (n-1) bits
- Para implementarlo, se hacen cortes en el filamento allí donde el valor del código Gray inverso tiene un "1"
- Este enfoque puede ampliarse a cualquier cantidad de bits
- En el prototipo se usaron 3 bits, lo que permite 8 posiciones posibles
Visualización del sistema de sensores OptiGap
- La figura muestra los patrones de señal del sistema de sensores OptiGap para cada posición de flexión usando 3 fibras ópticas
- Mediante un clasificador Naive Bayes, el sistema de sensores puede identificar la posición de flexión basándose en los patrones de señal
- El tercer gráfico representa datos reales del sensor obtenidos del sistema prototipo, que se utilizaron para entrenar el clasificador en el microcontrolador
Prototipo de OptiGap
- El autor fabricó un prototipo del sistema de sensores OptiGap usando 3 filamentos transparentes de TPU para impresora 3D, cada uno con un patrón único de espacios de aire
- Utilizó un acoplador comercial de fibra óptica 3:1 para combinar las 3 hebras de luz en un solo cable de fibra óptica, completando así el prototipo del sensor
- Esto marcó la etapa final de validación de la hipótesis y de la teoría de funcionamiento detrás del sensor OptiGap
Reducción del tamaño físico
- El prototipo inicial resultó ser grande y voluminoso debido al tamaño del filamento de impresora 3D utilizado
- A la luz de experiencias previas, el autor reconoció que la fibra óptica PMMA (plástica) ofrecía una alternativa más pequeña y flexible adecuada para esta aplicación
- En consecuencia, evaluó fibras ópticas PMMA sin recubrimiento de 500, 750 y 1000 micras de Industrial Fiber Optics, Inc. para las hebras del sensor, reduciendo significativamente su tamaño
- Se realizaron pruebas para evaluar la transmisión de luz y la flexibilidad en los 3 tipos de fibra óptica
- Entre ellas, la fibra de 500 micras surgió como la mejor opción general, aunque las 3 mostraron flexibilidad suficiente para esta aplicación
Reducción de la complejidad del transceptor óptico
- Para reducir la complejidad del sistema y aumentar la modularidad, se decidió usar una configuración simple de fotodiodo e IR LED en lugar del complejo sensor ToF VL53L0X
- Esto permitió leer los datos del sensor con un microcontrolador, lo que representó una mejora significativa frente al prototipo inicial
- Luego se construyó un sistema de demostración para el sensor basado en un microcontrolador STM32 y la configuración de fotodiodo/IR LED
Aprendizaje automático en tiempo real en el microcontrolador
- La etapa final del desarrollo del sistema de sensores OptiGap incluyó integrar un clasificador Naive Bayes en un microcontrolador STM32 para decodificar la posición de flexión a partir de los datos del sensor
- Se eligió un clasificador Naive Bayes por su mayor eficiencia frente a sentencias
if o tablas de búsqueda, su capacidad para manejar datos nuevos o no vistos previamente, y su potencial para mejorar la precisión al considerar la relación entre múltiples variables de entrada
- La implementación del clasificador Naive Bayes resultó ser relativamente sencilla
- Este clasificador es un modelo probabilístico que aplica el teorema de Bayes para determinar cómo puede asignarse una medición a una clase determinada; en este contexto, la clase representa la posición de flexión
- Para implementar el clasificador se aprovechó la librería Arm CMSIS-DSP
Ajuste de los datos del sensor
- El primer paso para integrar el clasificador fue ajustar los datos del sensor a una distribución gaussiana para cada patrón de espacios de aire
- Para acelerar este proceso, el autor desarrolló una GUI en Python usando GNB (Gaussian Naive Bayes) de la librería scikit-learn para etiquetar y ajustar rápidamente los datos
- Más adelante, mejoró esta interfaz de forma más general para permitir ajustes de datos más complejos
- Se calcularon las probabilidades para cada clase y se almacenaron en headers para poder utilizarlas en el microcontrolador
Filtrado de los datos del sensor
- Para aumentar la precisión del clasificador, se implementó en STM32 un proceso de filtrado en dos etapas
- La etapa inicial incluyó un filtro básico de media móvil, y en la segunda se utilizó un filtro de Kalman
Demostración del sistema de sensores OptiGap
- El GIF proporcionado muestra varias etapas del sistema de sensores OptiGap, incluida la demostración del ensamblaje y del funcionamiento del sistema final
Especificaciones de diseño de OptiGap
- Propiedades y parámetros clave
- Recomendaciones de materiales
Próximos pasos
- Se han logrado avances significativos en el sistema OptiGap más allá de lo documentado aquí
- Entre ellos se incluye el trabajo para integrarlo en un sistema modular de accionamiento y sensado llamado EneGate
- Esto involucra diseño de PCB personalizados e integración de sistemas, descritos en detalle en la tesis
- Además, se creó un prototipo de una versión óptica compacta en PCB para interactuar con la PCB del sistema EneGate
- También se validó la eficacia de OptiGap en un sistema real de robótica blanda, y los detalles se publicarán en un artículo de RoboSoft titulado " Sensores de guía de onda óptica embebidos para monitoreo dinámico del movimiento en estructuras de vigas retorcidas "
Comercialización
- Este trabajo también tiene en marcha un aspecto de comercialización
Opinión de GN⁺
- El sistema de sensores OptiGap parece ser una tecnología innovadora capaz de detectar posiciones de flexión que eran difíciles de captar con sensores convencionales en el campo de la robótica blanda. Diversos sistemas que requieren flexibilidad
1 comentarios
Comentarios de Hacker News
Aquí están los puntos clave de los comentarios de Hacker News, resumidos en un tono neutral e informativo:
La idea general de hacer que los materiales sean más "conscientes de sí mismos" o inspeccionables se valora como un concepto ingenioso y con aire de ciencia ficción.
Una investigación previa de un comentarista usó redes neuronales de valores complejos para aprender la matriz de transmisión de una fibra óptica, lo que se relaciona con este trabajo porque doblar la fibra requiere volver a aprender una nueva matriz. Podría ser posible aprender una caracterización parametrizada de la fibra para modelar su forma.
La investigación parece exhaustiva y bien documentada. Es probable que la asesora, Cindy Harnett, esté al tanto de la similitud conceptual con la reflectometría en el dominio del tiempo.
Hay preguntas sobre cómo el sensor maneja múltiples dobleces. Parece que, con la configuración actual, múltiples dobleces darían como resultado la suma de las atenuaciones logarítmicas, lo que potencialmente requeriría tantas hebras como ubicaciones de doblez para desambiguarlas. Hace falta aclarar si esto está pensado solo para casos de un solo doblez.
Posibles mejoras podrían hacer que esta tecnología se produzca en masa con alta precisión. Las aplicaciones incluyen sensores táctiles 2D o 3D rentables para robots, propiocepción sensible a la dirección para tubos flexibles y detección de diferencias localizadas de temperatura.
La tecnología parece similar al Nintendo Power Glove, que usaba luz dentro de un tubo para activar pulsaciones de teclas según el doblez de los dedos o la mano.
Se destaca que tener una asesora excelente marca la diferencia entre una experiencia miserable y una buena.
A un comentarista le interesa usar este sensor (o varios sensores juntos) para detectar con precisión el swing de un palo de golf en un monitor de lanzamiento que no requiera golpear una pelota.
Entre las sugerencias de mejora están:
El trabajo le recordó a otro comentarista el distributed acoustic sensing (DAS) con cables de fibra óptica para varias tareas de monitoreo, aunque no lo ha visto usado antes en robótica blanda.
Se reconoce el desafío de fabricación de requerir fibras log2 y distintas codificaciones en cada unión, pero no se considera un problema en la fase de investigación o prueba de concepto.