A Human-Inspired Thumb-Index Robotic Hand with Strain Gauges Embedded in Soft Joints

Resumen Técnico: Una mano robótica de pulgar e índice inspirada en humanos con galgas extensométricas integradas en articulaciones blandas

Planteamiento del Problema
El monitoreo y control de manos robóticas complacientes sigue siendo un desafío significativo. Si bien los robots subactuados y blandos ofrecen una complacencia natural, seguridad y la capacidad de adaptarse pasivamente a geometrías irregulares, a menudo carecen de una propiocepción precisa. Las manos blandas de bajo costo suelen depender de métricas indirectas (por ejemplo, corrientes del motor) o sistemas externos (por ejemplo, visión o sensores táctiles en las puntas de los dedos) para estimar las posiciones de los dedos y los estados de agarre. Las soluciones de detección existentes para estructuras blandas, como canales elastoméricos de fase líquida o sensores de deformación altamente flexibles, suelen sufrir de ruido de señal, ciclos de vida limitados, unión débil de materiales y fabricación compleja. Por el contrario, las galgas extensométricas tradicionales de lámina metálica ofrecen un comportamiento lineal pero, por lo general, no pueden tolerar las grandes deformaciones inherentes a las articulaciones blandas. La mano STIR aborda la necesidad de un sistema que combine la adaptabilidad pasiva de la robótica blanda con una propiocepción precisa, de bajo costo y robusta sin depender de la visión externa o de matrices táctiles de puntas de dedo sobredimensionadas.

Metodología
Los autores desarrollaron la mano robótica STIR (Safe Thumb-Index Robotic), un prototipo de dos dígitos, mínimo y ligero, que presenta una configuración asimétrica de pulgar e índice.

• Diseño de Hardware: La mano utiliza una arquitectura mecánica subactuada y accionada por tendones. Segmentos rígidos (PLA/PLA-CF) proporcionan estabilidad geométrica, mientras que las articulaciones blandas (silicona, nailon, TPU) permiten un agarre adaptativo. Se integra una novedosa "Parte Líder" (Leading Part) en las articulaciones blandas para forzar una situación de flexión pura, creando una zona de colapso definida cerca del centro de rotación.
• Integración de Sensores: La innovación central radica en la integración de galgas extensométricas de lámina metálica (BF350-3AA) en las articulaciones blandas encapsuladas en silicona. Crucialmente, estas galgas están posicionadas cerca del eje neutro de la articulación de flexión. Esta ubicación estratégica asegura que la deformación experimentada por el sensor se mantenga dentro de sus límites lineales (menos del 2% de deformación) a pesar de la gran deformación total de la articulación blanda. Los sensores están adheridos a un sustrato de malla de nailon flexible.
• Control y Electrónica: El sistema emplea una arquitectura de hardware desacoplada. Dos servomotores Dynamixel MX-28 accionan los dedos mediante tendones de nailon. Los procesos de detección y actuación se ejecutan en un flujo sincronizado de 500 Hz. Las señales de las galgas extensométricas se procesan mediante un PCB de front-end de medio puente personalizado y una tarjeta de adquisición de datos National Instruments USB-6003. La corriente del motor se monitorea utilizando amplificadores INA240.
• Estrategia de Propiocepción: El sistema combina los datos de deformación de la articulación integrados con la retroalimentación de la corriente del motor. Durante agarres cuasi-estáticos, la corriente del motor se utiliza para compensar las lecturas de la galga extensométrica cuando el dedo es bloqueado contra un objeto pero la fuerza continúa aumentando, asegurando que el ángulo estimado refleje únicamente la verdadera deformación estructural.
• Configuración Experimental: Los autores recolectaron un conjunto de datos de 4,486 grabaciones que involucran a la mano STIR sujetando 20 objetos diferentes (variando en tamaño, forma y rigidez del material). Los experimentos se realizaron bajo tres valores de referencia de carga (45, 120, 150) e incluyeron acciones de agarre tanto "transitorias" (inestables) como "estables".
• Análisis: Los datos de series temporales de cinco sensores de articulación y dos canales de motor se procesaron en incrustaciones de características de 105 dimensiones. Se utilizó un análisis no supervisado (PCA) para visualizar los grupos de datos, seguido de modelos de clasificación de objetos mediante k-NN, SVM, XGBoost y Perceptrón Multicapa (MLP). Se realizó un estudio de ablación para aislar la contribución de los sensores de articulación frente a la retroalimentación del motor.

Contribuciones Clave

1. Innovación de Hardware: El diseño e ingeniería de una plataforma subactuada de bajo costo que cuenta con un acoplamiento mecánico robusto y galgas extensométricas de lámina integradas directamente en las articulaciones blandas. La novedad reside en la implementación de estas galgas cerca del eje de flexión neutro, lo que permite la medición precisa dentro de una estructura altamente flexible mientras se respetan los límites de deformación del sensor.
2. Creación de un Conjunto de Datos Empíricos: El establecimiento de un marco integral de recolección de datos que evalúa diversas interacciones físicas a través del tamaño del objeto, la geometría y la rigidez del material, incluyendo variaciones sistemáticas en las acciones de agarre (transitorias vs. estables) y parámetros de carga.

Resultados

• Análisis No Supervisado: El Análisis de Componentes Principales (PCA) reveló que los grupos de datos se basan principalmente en el parámetro de "carga" y en la acción de agarre (transitoria vs. estable). El análisis demostró que los sensores de flexión capturan con precisión las variaciones en el tamaño del objeto y la rigidez del material. Notablemente, cuando se eliminaron los sensores de articulación de los datos de entrada, el sistema perdió la capacidad de distinguir entre objetos de diferente rigidez, confirmando que la retroalimentación del motor por sí sola es insuficiente para la discriminación de materiales.
• Clasificación de Objetos: Los modelos de clasificación lograron una alta precisión al distinguir el tamaño, la forma y la rigidez del material de los objetos. Los modelos XGBoost y MLP fueron los que mejor funcionaron, con precisiones generales que alcanzaron hasta el 99.8% (SVM) y el 99.0% (XGBoost) en el conjunto de datos completo.
• Estudio de Ablación: El estudio cuantificó la contribución de los nuevos sensores de articulación. La precisión de la clasificación disminuyó significamente cuando solo se utilizó la retroalimentación del motor en comparación con el uso de todas las entradas sensoriales. Por ejemplo, en el modelo k-NN, la precisión cayó de 87.8% (toda la retroalimentación) a 66.0% (solo retroalimentación del motor).
• Desempeño Comparativo: Al compararse con otras pinzas rígidas y complacientes (incluyendo la qb SoftHand, Robotiq 2F-85, OnRobot RG6 y Barrett Hand) en un subconjunto de 9 objetos, la mano STIR superó a la qb SoftHand (que carece de propiocepción de articulación) en todos los modelos probados (k-NN, SVM, LSTM).

Significado y Reivindicaciones
El artículo afirma que la mano STIR demuestra que las articulaciones complacientes sensorizadas mejoran significativamente la sensibilidad general y aseguran un agarre seguro. Al integrar la propiocepción directamente en la estructura de la articulación blanda, el sistema logra perfiles de interacción de alta resolución sin la necesidad de elementos táctiles adicionales en las puntas de los dedos o sistemas de visión externos. Los autores sostienen que este enfoque valida la utilidad de colocar galgas extensométricas cerca del eje neutro de las articulaciones blandas para superar las limitaciones de la detección tradicional en mecanismos complacientes. El trabajo proporciona una base para un agarre robótico de bajo costo, seguro y adaptativo que depende de las propiedades mecánicas intrínsecas y la detección interna en lugar de una percepción externa compleja.