Fiber Optic Sensing Glove for High Performance Dexterous Manipulation Capture
作者: J. D. Peiffer, Taylor Niehues, Li Guan, Ziyi Kou, Ergys Ristani
分类: cs.RO
发布日期: 2026-08-25
💡 一句话要点
提出光纤传感手套以解决精细操作手势捕捉问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 光纤传感 手势捕捉 精细操作 逆运动学 机器人技术 虚拟遥操作 高保真数据
📋 核心要点
- 现有的视觉捕捉方法在遮挡和复杂光照条件下性能不佳，传感手套则面临漂移和磁干扰问题，难以达到运动捕捉的精度。
- 本文提出了一种光纤传感手套，利用多核形状感知光纤捕捉手部的完整三维形状，并通过新颖的管道和逆运动学求解器实现高频率的手势重建。
- 在5名受试者的实验中，该手套在运动捕捉基准下的指尖位置误差为7.2 mm，通过工厂校准可降低至4.9 mm，显示出显著的性能提升。
📝 摘要（中文）
在精细操作过程中捕捉手势仍然具有挑战性：基于视觉的方法在遮挡和复杂光照条件下性能下降，而传感手套虽然避免了遮挡，但容易出现漂移和磁干扰，且很少能达到运动捕捉的精度。本文提出了一种光纤传感手套，能够实现全手势跟踪，针对这些失败模式，采用多核形状感知光纤捕捉每根光纤的完整三维形状，而不仅仅是曲率。通过新颖的管道将每个重建的光纤形状注册到共同的手部参考框架，并使用曲线约束的新逆运动学求解器以60 Hz的频率重建完整手势。经过在5名受试者的2小时精细物体操作任务数据集上的基准测试，该手套在运动捕捉基准下实现了7.2 mm的平均指尖位置误差，通过一次性工厂校准光纤路由中心，该误差降低至4.9 mm。这些能力使得高保真数据捕获和双手虚拟遥操作成为可能，二者对于推动机器人领域的发展至关重要。
🔬 方法详解
问题定义：本文旨在解决在精细操作中手势捕捉的准确性问题。现有的视觉方法在遮挡和复杂光照下表现不佳，而传感手套则容易受到漂移和磁干扰的影响，难以匹配运动捕捉的精度。
核心思路：提出的光纤传感手套通过使用多核形状感知光纤，捕捉每根光纤的完整三维形状，而不仅仅是其曲率。这种设计能够有效避免现有方法的缺陷，提供更高的准确性和稳定性。
技术框架：整体架构包括光纤传感器、数据处理管道和逆运动学求解器。光纤传感器负责捕捉手部的三维形状，数据处理管道将这些形状注册到共同的手部参考框架，逆运动学求解器则利用曲线约束重建手势。
关键创新：最重要的创新在于使用多核形状感知光纤来捕捉完整的三维形状，并通过新颖的管道和求解器实现高频率的手势重建。这一方法与传统的基于视觉或简单传感器的手套有本质区别。
关键设计：在设计中，光纤路由中心的工厂校准是一个关键步骤，它能够在不同用户和会话之间转移，显著降低指尖位置误差。此外，逆运动学求解器的曲线约束设计也提升了重建的准确性和稳定性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该光纤传感手套在运动捕捉基准下的平均指尖位置误差为7.2 mm，通过一次性工厂校准后降低至4.9 mm，显示出显著的性能提升。这一结果表明该手套在高保真数据捕获和双手虚拟遥操作中的有效性。
🎯 应用场景
该研究的潜在应用领域包括机器人控制、虚拟现实和增强现实等场景，能够为人机交互提供更高的精度和灵活性。未来，该技术可能推动智能机器人在复杂环境中的应用，提升其操作能力和适应性。
📄 摘要（原文）
Capturing hand pose during dexterous manipulation remains difficult: vision-based methods degrade under occlusion and challenging lighting, while sensorized gloves, though occlusion-free, are prone to drift and magnetic interference and rarely match motion-capture accuracy. We introduce a fiber optic sensing glove for full hand pose tracking that targets these failure modes, using multi-core shape-sensing fibers that capture each fiber's full 3D shape rather than curvature alone. A novel pipeline registers each reconstructed fiber shape to a common hand reference frame, and a new inverse-kinematics solver reconstructs full hand pose at 60 Hz using curve constraints. Benchmarked on a 2-hour dataset of dexterous object manipulation tasks across 5 subjects, the glove achieves 7.2 mm mean fingertip position error against motion capture ground truth, reduced to 4.9 mm by a one-time factory calibration of the fiber routing hub that transfers across users and sessions. These capabilities enable high-fidelity data capture and bimanual virtual teleoperation - both essential to advancing the robotics field.