O sensoriamento robótico é uma subárea da ciência robótica destinada a fornecer capacidades de detecção de robôs, de modo que os robôs sejam mais parecidos com humanos. A detecção robótica dá aos robôs a capacidade de ver, tocar, ouvir e mover e usa algoritmos que exigem feedback ambiental.

Visão
Método
O sistema de sensoriamento visual pode ser baseado em qualquer coisa desde a câmera tradicional, sonar e laser até a nova tecnologia de identificação por radiofrequência (RFID), que transmite sinais de rádio para uma tag em um objeto que emite um código de identificação. Todos os quatro métodos visam três procedimentos – sensação, estimativa e correspondência.

Processamento de imagem
A qualidade da imagem é importante em aplicativos que exigem excelente visão robótica. Algoritmo baseado na transformada wavelet para fusão de imagens de diferentes espectros e diferentes focos melhora a qualidade da imagem. Os robôs podem coletar informações mais precisas da imagem aprimorada resultante.

Uso
Sensores visuais ajudam os robôs a identificar o ambiente e tomar as medidas apropriadas. Os robôs analisam a imagem do ambiente imediato importado do sensor visual. O resultado é comparado com a imagem intermediária ou final ideal, de modo que o movimento apropriado possa ser determinado para atingir a meta intermediária ou final.

Tocar
Processamento de sinal
Os sinais sensoriais de toque podem ser gerados pelos próprios movimentos do robô. É importante identificar apenas os sinais táteis externos para operações precisas. Soluções anteriores empregaram o filtro Wiener, que se baseia no conhecimento prévio de estatísticas de sinal que são consideradas estacionárias. A solução recente aplica um filtro adaptativo à lógica do robô. Ele permite que o robô preveja os sinais dos sensores resultantes de seus movimentos internos, filtrando esses sinais falsos. O novo método melhora a detecção de contato e reduz a falsa interpretação.

Uso
Os padrões de toque permitem que os robôs interpretem as emoções humanas em aplicativos interativos. Quatro características mensuráveis ​​- força, tempo de contato, repetição e mudança de área de contato – podem categorizar efetivamente os padrões de toque por meio do classificador da árvore de decisão temporal para contabilizar o atraso e associá-los a emoções humanas com até 83% de precisão. O Índice de Consistência é aplicado no final para avaliar o nível de confiança do sistema para evitar reações inconsistentes.

Os robôs usam sinais de toque para mapear o perfil de uma superfície em ambiente hostil, como um cano de água. Tradicionalmente, um caminho predeterminado foi programado no robô. Atualmente, com a integração de sensores de toque, os robôs adquirem primeiro um ponto de dados aleatório; o algoritmo do robô determinará então a posição ideal da próxima medição de acordo com um conjunto de primitivas geométricas predefinidas. Isso melhora a eficiência em 42%.

Nos últimos anos, o uso do toque como estímulo à interação tem sido objeto de muitos estudos. Em 2010, foi construído o selo robótico PARO, que reage a muitos estímulos da interação humana, incluindo o toque. Os benefícios terapêuticos dessa interação humano-robô ainda estão sendo estudados, mas têm mostrado resultados muito positivos.

Audição

Processamento de sinal
Sensores de áudio precisos requerem baixa contribuição de ruído interno. Tradicionalmente, os sensores de áudio combinam matrizes acústicas e microfones para reduzir o nível de ruído interno. Soluções recentes combinam também dispositivos piezoelétricos. Esses dispositivos passivos usam o efeito piezoelétrico para transformar força em tensão, de modo que a vibração que causa o ruído interno pode ser eliminada. Em média, o ruído interno até cerca de 7dB pode ser reduzido.

Os robôs podem interpretar o ruído desviado como instruções de fala. O sistema de detecção de atividade de voz (VAD) atual usa o método do centróide de círculo de espectro complexo (CSCC) e um transformador de razão de sinal-ruído máximo (SNR). Como os humanos geralmente olham para seus parceiros quando conduzem conversas, o sistema VAD com dois microfones permite que o robô localize a fala instrucional, comparando as intensidades do sinal dos dois microfones. O sistema atual é capaz de lidar com o ruído de fundo gerado por televisões e dispositivos de som que vêm dos lados.

Uso
Os robôs podem perceber emoções pela maneira como falamos. Características acústicas e lingüísticas são geralmente usadas para caracterizar emoções. A combinação de sete recursos acústicos e quatro recursos lingüísticos melhora o desempenho do reconhecimento quando comparado ao uso de apenas um conjunto de recursos.

Recurso acústico
Duração
Energia
Pitch
Espectro
Cepstral
Qualidade de voz
Wavelets

Característica linguística
Saco de palavras
Parte do discurso
Semântica mais alta
Varia

Movimento

Uso
Robôs automatizados exigem um sistema de orientação para determinar o caminho ideal para executar sua tarefa. No entanto, na escala molecular, os nano-robôs não possuem esse sistema de orientação porque as moléculas individuais não podem armazenar movimentos e programas complexos. Portanto, a única maneira de obter movimento em tal ambiente é substituir sensores por reações químicas. Atualmente, uma aranha molecular que tem uma molécula de estreptavidina como um corpo inerte e três pernas catalíticas é capaz de iniciar, seguir, girar e parar quando se depara com diferentes origamias de DNA. Os nano-robôs baseados em DNA podem se mover a mais de 100 nm com uma velocidade de 3 nm / min.

Em uma operação de ETI, que é uma maneira eficaz de identificar tumores e potencialmente câncer medindo a pressão distribuída na superfície de contato do sensor, a força excessiva pode causar um dano e ter a chance de destruir o tecido. A aplicação do controle robótico para determinar o caminho ideal de operação pode reduzir as forças máximas em 35% e obter um aumento de 50% na precisão em comparação com os médicos humanos.

atuação
Exploração robótica eficiente economiza tempo e recursos. A eficiência é medida pela otimização e competitividade. A exploração ideal de limite é possível somente quando um robô tem área de detecção quadrada, começa no limite e usa a métrica de Manhattan. Em geometrias e configurações complicadas, uma área de detecção quadrada é mais eficiente e pode alcançar melhor competitividade independentemente da métrica e do ponto de partida.