Prediktiv berøringsresponsmekanisme er et skridt mod et taktilt internet

Et taktilt internet er potentielt den næste fase af tingenes internet, hvor mennesker kan røre og interagere med fjerntliggende eller virtuelle objekter, mens de oplever realistisk haptisk feedback.

Et team af forskere ledet af Elaine Wong ved University of Melbourne, Australien, udviklet en metode til forbedring af haptiske feedbackoplevelser i applikationer fra menneske til maskine, der er typiske på det taktile internet. Forskerne mener, at deres metode kan bruges til at forudsige korrekt feedback i applikationer lige fra elektronisk sundhedspleje til virtual reality -spil.

Wong og hendes kolleger vil præsentere deres foreslåede modul, som bruger et kunstigt neuralt netværk til at forudsige det berørte materiale, ved optisk fiberkommunikationskonference og -udstilling (OFC), afholdes 8.-12. marts 2020 i San Diego Convention Center, Californien, USA.

Afhængig af dynamikken i interaktionen, en optimal menneske-til-maskine-applikation kan kræve en netværkssvaretid så kort som et millisekund.

"Disse svartider sætter en grænse for, hvor langt fra hinanden mennesker og maskiner kan placeres, "sagde Wong." Derfor, løsninger til at afkoble denne afstand fra netværkets responstid er afgørende for at realisere det taktile internet. "

Som et skridt mod dette mål, teamet uddannede en forstærkningslæringsalgoritme til at gætte den passende haptiske feedback i et system mellem mennesker og maskiner, før den korrekte feedback kendes. Modulet, kaldet den hændelsesbaserede HAptic SAmple Forecast (EHASAF), fremskynder processen ved at give et berøringssvar baseret på en sandsynlig forudsigelse af det materiale, brugeren interagerer med.

"For at lette mennesker-til-maskine applikationer over langdistancenetværk, vi stoler på kunstig intelligens for at overvinde virkningerne af lang spredningstid, "sagde Sourav Mondal, en forfatter på papiret.

Når det faktiske materiale er identificeret, enheden tilpasser og opdaterer sin sandsynlighedsfordeling for at hjælpe med at vælge den korrekte feedback fremadrettet.

Gruppen testede EHASAF -modulet med et par virtual reality -handsker, der blev brugt af et menneske til at røre ved en virtuel bold. Handskerne indeholder sensorer på fingre og håndled for at registrere berøring og spore bevægelser, kræfter og håndens orientering.

Afhængigt af hvilken materialebold brugeren vælger at røre ved de fire virtuelle muligheder, feedbacken fra handsken skal variere. For eksempel, en metalbold vil være fastere end en skumkugle. Når et neuralt netværk bestemmer, at en af ​​fingrene har rørt bolden, EHASAF -modulet begynder at cykle gennem feedback -muligheder for at generere, indtil det løser det faktiske materiale i den valgte bold.

I øjeblikket, med fire materialer, modulets forudsigelsesnøjagtighed er omkring 97%.

"Vi tror, ​​det er muligt at forbedre forudsigelsesnøjagtigheden med et større antal materialer, "sagde Mondal." Dog, mere sofistikerede kunstige intelligens-baserede modeller er nødvendige for at opnå det. "

"Flere og mere sofistikerede modeller med forbedret ydeevne kan udvikles baseret på den grundlæggende idé om vores foreslåede EHSAF -modul, "Sagde Mondal.

Disse resultater og yderligere forskning vil blive præsenteret på stedet ved OFC 2020.