Greifen ist eine grundlegende Fähigkeit zum Interagieren mit und Manipulieren von Objekten in der Umgebung. Diese Fähigkeit kann jedoch für Personen mit Handbehinderungen herausfordernd sein. Weiche Hand-Exoskelette, die zum Greifen entwickelt wurden, können wesentliche Handfunktionen verbessern oder wiederherstellen, aber die Steuerung dieser weichen Exoskelette zur effektiven Unterstützung der Benutzer bleibt aufgrund der Komplexität des Verstehens der Umgebung schwierig. Diese Studie präsentiert ein vision-basiertes prädiktives Steuerungsframework, das kontextuelles Bewusstsein aus der Tiefenwahrnehmung nutzt, um das Greifziel vorherzusagen und den nächsten Steuerungszustand für die Aktivierung zu bestimmen. Im Gegensatz zu datengestützten Ansätzen, die umfangreiche gelabelte Datensätze erfordern und Schwierigkeiten mit der Generalisierbarkeit haben, basiert unsere Methode auf geometrischer Modellierung, die eine robuste Anpassung an verschiedene Greifszenarien ermöglicht. Der Greif-Fähigkeitsscore (GAS) wurde zur Leistungsbewertung verwendet, wobei unser System einen hochmodernen GAS von 91 % über 15 Objekte und gesunde Teilnehmer erreichte, was seine Wirksamkeit bei verschiedenen Objekttypen demonstriert. Der vorgeschlagene Ansatz hielt den Rekonstruktionssuccess für unbekannte Objekte aufrecht, was seine verbesserte Generalisierbarkeit im Vergleich zu lernbasierten Modellen unterstreicht.
Hu et al. (Fri,) untersuchten diese Frage.