首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于

推出 HN:Axonnic (YC F26) – 追踪手指并估计力的套筒

摘要

Hi HN! We’re Arsh and Max, founders of Axonnic ( https://axonnic.com ). We’ve developed a forearm sleeve that reads muscle activity to decode finger movements and estimate fingertip force, while leavi...

the and that muscle video EMG https com forearm sleeve
2026-11-17 1 阅读 约4分钟阅读 arshpatankar
分享:
字号:
嗨,HN!我们是 Arsh 和 Max,Axonnic (https://axonnic.com) 的创始人。我们开发了一种前臂套筒,可以读取肌肉活动来解码手指运动并估计指尖力量,同时保持双手裸露。它用于记录人类运动并为灵巧的机器人生成训练数据。这是一个演示视频:https://youtube.com/shorts/xBrocTc9cfA 我们发现肌电图 (EMG) 是训练机器人的一种比单独视频更好的方法,因为视频只捕捉运动,而不是肌肉活动或运动背后的努力。即使手几乎没有移动,也能发出有用的信号;仅仅保持握力就需要激活肌肉。视频中几乎无法捕捉到的微妙肌肉运动是缝纫和精细组装等活动中最重要的细节。该套管有 64 个表面肌电图 (EMG) 通道。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前臂上,以免过度适应某一肌肉群。我们将肌电图与手部跟踪同步,以训练预测手指关节角度的模型,然后我们仅根据肌电图运行解码器,并添加通过手指按压力传感器校准的指尖力估计值。当用户取下护套然后再次戴上时,电极位置会发生变化,因此我们对单独的佩戴进行测试。在一个案例中,我们在训练四天后进行了 215 秒的记录,没有任何重新校准,并将结果与​​ Apple Vision Pro 手部追踪进行了比较。结果是 20 个关节角度的误差仅为 6.9°。我们在这里发布了测量和评估详细信息:https://axonnic.com/benchmarks。我们在工厂录音时遇到了许多挑战,包括无线干扰和不可靠的现成硬件。这导致了一些不良记录并且需要重复数据收集。因此,我们正在开发自己的电子产品,采用有线 PCB 设计,消除干扰和时序不一致。 Axonnic 源自 Max 在牛津大学的肌电图研究。我们研究了使用该技术进行计算机控制,然后我们认为一个更有前途的用例是捕获熟练的手动任务所涉及的工作。这项技术可以被描述为计算机与人机界面。计算机获得洞察力并学习人类技能的地方。缝纫尤其突出,因为材料会变形,并且操作员需要不断调整抓力和张力。 Maxim 拥有牛津大学 MBiol 学位,并进行了高密度表面肌电图研究。他之前在 Skyscanner 构建了内部工具,并在 Voxblock 从事 PCB 开发和供应链工作。 Arsh 在牛津大学学习医学,拥有将机器学习应用于医学成像以及软件和机器人项目的研究经验。我们共同构建了套筒、解码软件和数据收集系统,并在工业环境中对其进行了测试。到目前为止,我们的技术已被一家欧洲制造商用于记录缝纫和其他手动任务,该制造商签署了支持机器人实施的意向书。我们还收集了涉及电工、水管工和拆除工作的施工演示。这些是试点和数据收集示例。另外,我们的公开演示包括通过前臂肌电图控制 Proception 机器人手。如果您自己进行过训练机器人执行手动任务的试验,我们很想听听您尝试训练哪些任务以及试验进行得如何。我们很高兴在评论中讨论硬件、校准和模型。谢谢! https://axonnic.com 评论网址:https://news.ycombinator.com/item?id=50522776 积分:3 # 评论:0
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱