Een tactiel internet is mogelijk de volgende fase van het internet der dingen, waarin mensen externe of virtuele objecten kunnen aanraken en ermee kunnen werken terwijl ze realistische haptische feedback ervaren.

Een team van onderzoekers onder leiding van Elaine Wong van de Universiteit van Melbourne, Australië, ontwikkelde een methode voor het verbeteren van haptische feedback-ervaringen in mens-naar-machine-toepassingen die typisch zijn voor het tactiele internet. De onderzoekers denken dat hun methode kan worden gebruikt voor het voorspellen van goede feedback in toepassingen variërend van elektronische gezondheidszorg tot virtual reality-gaming.

Wong en haar collega's zullen hun voorgestelde module presenteren, die een kunstmatig neuraal netwerk gebruikt om het aangeraakte materiaal te voorspellen, op de Optical Fiber Communication Conference and Exhibition (OFC), wordt gehouden van 8-12 maart 2020 in het San Diego Convention Center, Californië, VS.

Afhankelijk van de dynamiek van de interactie, voor een optimale mens-naar-machine-toepassing kan een netwerkresponstijd van slechts één milliseconde nodig zijn.

"Deze reactietijden leggen een limiet op hoe ver mensen en machines uit elkaar kunnen worden geplaatst, "zei Wong. "Vandaar, oplossingen om deze afstand te ontkoppelen van de responstijd van het netwerk zijn van cruciaal belang voor het realiseren van het tactiele internet."

Als een stap in de richting van dit doel, het team heeft een leeralgoritme voor versterking getraind om de juiste haptische feedback in een mens-naar-machine-systeem te raden voordat de juiste feedback bekend is. De module, de Event-based Haptic SAMple Forecast (EHASAF) genoemd, versnelt het proces door een aanrakingsrespons te bieden op basis van een probabilistische voorspelling van het materiaal waarmee de gebruiker interactie heeft.

"Om mens-tot-machine-toepassingen over langeafstandsnetwerken te vergemakkelijken, we vertrouwen op kunstmatige intelligentie om de effecten van lange propagatielatentie te overwinnen, " zei Sourav Mondal, een auteur op papier.

Zodra het werkelijke materiaal is geïdentificeerd, de unit past zijn kansverdeling aan en actualiseert deze om de juiste feedback te helpen kiezen.

De groep testte de EHASAF-module met een paar virtual reality-handschoenen die door een mens worden gebruikt om een ​​virtuele bal aan te raken. De handschoenen bevatten sensoren op de vingers en polsen om aanrakingen te detecteren en bewegingen te volgen, krachten en de oriëntatie van de hand.

Afhankelijk van de materiaalbal die de gebruiker kiest om aan te raken, zijn er vier virtuele opties beschikbaar, de feedback van de handschoen moet variëren. Bijvoorbeeld, een metalen bal zal steviger zijn dan een schuimbal. Wanneer een neuraal netwerk vaststelt dat een van de vingers de bal heeft aangeraakt, de EHASAF-module begint door feedbackopties te bladeren om te genereren totdat het daadwerkelijke materiaal van de gekozen bal is opgelost.

Momenteel, met vier materialen, de voorspellingsnauwkeurigheid van de module is ongeveer 97%.

"We denken dat het mogelijk is om de voorspellingsnauwkeurigheid te verbeteren met een groter aantal materialen, "zei Mondal. "Echter, er zijn meer geavanceerde, op kunstmatige intelligentie gebaseerde modellen nodig om dat te bereiken."

"Er kunnen steeds meer geavanceerde modellen met verbeterde prestaties worden ontwikkeld op basis van het fundamentele idee van onze voorgestelde EHSAF-module, ' zei Mondal.

Deze resultaten en aanvullend onderzoek zullen ter plaatse worden gepresenteerd op OFC 2020.