智能服装分布式纤维传感
使用半弹性纺织品表面的新方法,通过在纺织品边界上的传感器而不是感测区域上的传感器进行触摸感测,结合多种机器学习模型进行实验证明其可行性,特别是使用视觉标记预测单一触摸点的性能表现优秀,平均均方误差仅为 1.36 毫米,所开发的纺织品原型能准确分类 3 个深度的触摸,表明该方法在可穿戴技术和智能纺织品方面具有潜在应用价值,并值得进一步研究探讨。
May, 2023
通过折叠和电容感应相结合的方式,使用先进的传感电路和深度学习技术创造了一种新型的自动跟踪折叠智能纺织品 Capafoldable,可重新构建几何基元并实现新的智能纺织品应用。
Jul, 2023
远程传输纺织品的触觉感的 Telextiles 接口通过对比自监督学习创建一个反映纺织品近距离的潜在空间,从而解决了远程使用中无法评估纺织品触觉感的难题。
May, 2024
我们在连衣裙制造过程中重新利用接缝线作为连续上半身姿势估计的电容传感器,比起将电极直接放置在衣物表面的以往所有织物运动捕捉服装,我们的解决方案通过在接缝线上缝制绝缘导电线来利用衬衫内部的现有接缝线。该方案利用接缝线的独特不可见性和位置,使得感知衬衫看起来和穿着方式与传统衬衫相同,并提供令人兴奋的姿势跟踪能力。通过实施一个无线连衣裙的概念验证,我们的定制深度学习流水线准确地估计相对于骨盆的上半身三维关节位置。通过一项包括 12 名参与者的用户研究,我们展示了有希望的跨用户和跨会话跟踪性能。SeamPose 代表了实现智能服装与日常姿势估计无缝融合的一大步骤。
Jun, 2024
我们的研究通过使用柔性电子纺织品电阻传感器,提出了一种新的软连续机器人形状感知方法,该传感器能够与机器人的结构完美融合,并通过对电子纺织品传感器的详细数据进行解码,利用深度卷积神经网络准确估计机器人的形状配置,通过与传统刚性传感器相比,这种电子纺织品传感器在形状感知和估计方面能够达到甚至超过传统刚性传感器的能力,从而显著提高了机器人导航系统的安全性和效率。
Apr, 2024
本文介绍了一种新颖的可穿戴传感原型,将 IMU 和体电容传感模块结合起来,用于识别制造业中工人的行为。我们提出并比较了早期和晚期传感器数据融合方法,针对多通道时间序列卷积神经网络和深度卷积 LSTM 模型。通过使用我们提出的传感原型和苹果手表在制造流水线的测试平台上收集和注释传感器数据,我们评估了所提出的硬件和神经网络模型。实验结果表明,我们提出的方法相对于基线方法具有更好的性能,表明所提出的方法在制造业的实际应用中具有潜力。此外,配备有体电容传感器和特征融合方法的传感原型相比于没有体电容传感器和苹果手表数据的传感原型分别提高了 6.35%,宏 F1 评分较高 9.38%。
Aug, 2023
通过使用智能膝套(Texavie MarsWear Knee Sleeves)进行人体姿态估计,我们研究了人体运动和运动的运动学与肌肉的活动和收缩密切相关的关系。我们的系统利用来自膝套的时间序列数据和可视化运动捕捉相机系统的相应的真实标签来生成仅基于个体穿戴数据的 3D 人体模型,证明了这种无需摄像机的系统和机器学习算法在各种运动和锻炼评估中的有效性,以及对未见锻炼和个人的扩展性。结果显示,与真实情况相比,八个下肢关节的平均误差为 7.21 度,表明了膝套系统在预测不同下肢关节(包括膝盖以外的部位)方面的有效性和可靠性。这些结果以无缝的方式实现了人体姿态估计,无视视觉遮挡或摄像机的视野限制。我们的结果展示了多模态可穿戴感知在家庭健身、体育、医疗保健和身体康复等各种应用中的潜力,特别关注姿势和运动估计。
Oct, 2023
本研究旨在探索利用基于视觉的触觉传感器进行机器人感知和织物纹理分类的主动感知策略。通过信息理论探索策略的实现,以最小化概率模型的预测熵和方差,我们对触觉织物识别中的主动抽样问题进行了形式化。通过消融研究和人类实验,我们调查了对于快速可靠的纹理识别来说哪些组件至关重要。除了主动抽样策略外,我们还评估了神经网络架构、不确定性的表示、数据增强以及数据集的可变性。通过在先前发表的主动服装感知数据集和实际机器人系统上评估我们的方法,我们得出结论:主动探索策略的选择对识别准确性仅有较小影响,而数据增强和丢弃率则发挥更大的作用。通过对比研究,尽管人类识别准确度为 66.9%,但我们的最佳方法在不到 5 次触摸的情况下达到了 90.0%,突出表明基于视觉的触觉传感器对于纺织品纹理识别非常有效。
Mar, 2024
利用基于数据驱动和学习的解决方案对动态服装进行建模,通过利用服装与人体之间的局部交互来模拟服装的动态特性。研究采用了面向网格的服装表示和流形感知的转换器网络设计,能够适应不同的服装和人体形状。通过广泛的实验评估,取得了与现有技术相比具有竞争力的定性和定量结果。
May, 2024
本文介绍了一种解决数字化人物着装的解决方案,该方案可以通过神经网络在测试时直接生成逼真的动态服装图像序列,以解决现有工作流程中重复性高且耗时的问题,并且可以在新的身体形状和背景图像下进行微调,并提供了与现有神经渲染和图像序列转换方法的定量比较。
Feb, 2021