3D-Stickerei trifft KI: Stoff-basierte Berührungssensoren für Smart-Device-Steuerung

North Carolina State University, Raleigh, NC

Der Sensor besteht aus Garnen, die aus zwei triboelektrischen Materialien bestehen – eines mit positiver, das andere mit negativer elektrischer Ladung –, die mithilfe von Stickmaschinen in herkömmliche Textilstoffe integriert wurden. (Bild: NCSU)

Eine neue Studie der NC State University kombiniert dreidimensionale Stickereitechniken mit Machine Learning, um einen stoffbasierten Sensor zu schaffen, der elektronische Geräte durch Berührung steuern kann.

Da das Feld der tragbaren Elektronik mehr Interesse gewinnt und Kleidung neue Funktionen erhält, wird ein stickereibasierter Sensor oder „Knopf“, der diese Funktionen steuern kann, zunehmend wichtig. In den Stoff eines Kleidungsstücks integriert, kann der Sensor elektronische Geräte wie mobile Apps vollständig durch Berührung aktivieren und steuern.

Das Gerät besteht aus zwei Teilen: dem bestickten Drucksensor selbst und einem Mikrochip, der die vom Sensor gesammelten Daten verarbeitet und verteilt. Der Sensor ist triboelektrisch, was bedeutet, dass er sich selbst mit der elektrischen Ladung versorgt, die durch Reibung zwischen seinen mehreren Schichten erzeugt wird. Er besteht aus Garnen aus zwei triboelektrischen Materialien – eines mit positiver, das andere mit negativer elektrischer Ladung –, die mithilfe von Stickmaschinen in herkömmliche Textilstoffe integriert wurden.

Rong Yin, Corresponding Author der Studie, sagte, dass die dreidimensionale Struktur des Sensors entscheidend war.

„Da der Drucksensor triboelektrisch ist, musste er zwei Schichten mit einem Spalt dazwischen haben. Dieser Spalt war einer der schwierigen Teile im Prozess, weil wir Stickerei verwenden, die meist zweidimensional ist. Es ist eine Technik zum Verzieren von Stoff“, sagte er. „Es ist herausforderd, auf diesem Weg eine dreidimensionale Struktur zu schaffen. Durch Verwendung eines Spacers konnten wir den Spalt zwischen den beiden Schichten kontrollieren, was uns die Steuerung der Sensorausgabe ermöglicht.“

Daten vom Drucksensor werden dann an den Mikrochip gesendet, der dafür verantwortlich ist, diesen rohen Input in spezifische Anweisungen für alle verbundenen Geräte umzuwandeln. Machine-Learning-Algorithmen sind der Schlüssel, um sicherzustellen, dass dies reibungslos läuft, sagte Yin. Das Gerät muss in der Lage sein, zwischen Gesten, die verschiedenen Funktionen zugewiesen sind, zu unterscheiden sowie unbeabsichtigte Eingaben zu ignorieren, die durch die normale Bewegung des Stoffes entstehen könnten.

„Manchmal sind die Daten, die der Sensor erfasst, nicht sehr genau, und das kann aus allen möglichen Gründen passieren“, sagte Yin. „Manchmal werden die Daten von Umgebungsfaktoren wie Temperatur oder Feuchtigkeit beeinflusst, oder der Sensor berührt versehentlich etwas. Durch Machine Learning können wir das Gerät trainieren, solche Dinge zu erkennen.

„Machine Learning ermöglicht es auch diesem sehr kleinen Gerät, viele verschiedene Aufgaben zu erfüllen, weil es verschiedene Arten von Eingaben erkennen kann.“

Die Forscher demonstrierten diese Eingabenerkennung, indem sie eine einfache Musik-App entwickelten, die via Bluetooth mit dem Sensor verbunden war. Sie entwarfen sechs Funktionen für die App: Play/Pause, nächster Song, vorheriger Song, Lauter, Leiser und Stummschaltung, jeweils gesteuert durch eine andere Geste am Sensor. Forscher konnten das Gerät für mehrere andere Funktionen nutzen, einschließlich Passwort-Eingabe und -Setting sowie Videospielsteuerung.

Die Idee steckt noch in den Kinderschuhen, sagte Yin, da bestehende Sticktechnologie nicht in der Lage ist, die Materialarten, die für die Sensorerstellung verwendet werden, einfach zu handhaben. Dennoch stellt der neue Sensor ein weiteres Puzzleteil der sich entwickelnden tragbaren Elektronik dar, das sicherlich in naher Zukunft weiter an Interesse gewinnen wird.

Für weitere Informationen kontaktieren Sie Joey Pitchford unter dieser E-Mail-Adresse (vor Spambots geschützt, JavaScript erforderlich); 919-602-3270.