YC F26のチームAxonnicは、EMGを読み取る前腕用袖套を開発した。手指の動きをデコードし、指先にかかる力の強さも推定する。狙いであるのはVRではなく、灵巧ロボットの訓練データだ。
Axonnicが取り組んでいるのは、KVpredictionsな消費者向け製品とは somewhat異なる開発だ。前腕を袖套で覆い、デバイスに筋肉の動きを読み取らせる。そこから手指の動きや指先に込められた力をデコードする。
同社は的动作キャプチャ用手袋ではない。手は覆わずに露出した状態で、袖套は前腕の Muscleから発せられるEMGシグナルだけを記録する。
チームはLaunch HNの冒頭で率直に笑了笑ている。
Hi HN! We’re Arsh and Max, founders of Axonnic (YC F26)
AxonnicはArshとMaxが創業したYC F26企業だ。いまBITして示されている製品GVのTWは、EMGを某つのVRゲームに接続することではなく、人体の運動データを採取し、灵巧ロボットの訓練データを生成することにある。
この取り組みを分解して考える価値はある。映像による动作キャプチャが解決するのは「手がどこにあるか」だが、ロボットに実際に欠けているのは-RVの「手にどれだけの力がかかったか」-cellsだ。
袖套が読み取るのは動作ではなく发力
Axonnicの前腕用袖套は、EMG,也就是筋 saltwater活動,通过筋の活動を読み取り、手指の動きをデコードし、指先に施加される力を推定する。
これは一般的な光学式ハンドトラッキングとは根本的に異なる。
カメラが捉するのは手の位置、姿勢、移動経路である。一方、EMGが捉Boomるのは、特定の動作に伴って前腕の筋が発する電気活動だ。前者は主に結果を記録し、後者はその結果をgw产生的生理学プロセスの一部を記録しようとしている。
簡単な例を挙げてみる。
- 指でカップを掴む。視覚システムは、何本の指がカップに触れたかを知る。
- 同じ動きでも、力を強く入れたり弱くしたりすると、EMGには異なるシグナルが残る可能性がある。
- 触覚センサや力センサは接触力を直接測定できるが、通常、指や物体にセンサを貼り付ける必要がある。
Axonnicの方法は測定部位を前腕に置き、手は覆わずに露出させる。利用者が手袋を着用したり、各指に大量のセンサを装着したりする必要はない。
ただし、「指先に施加される力を推定」という表現には注意が必要だ。袖套は接触点を直接測定するのではなく、筋の活動から出力を推測している。推定精度、遅延、再現性については、短いショート動画のデモだけでは判断できない。
デモのショート動画はこちら。
https://youtube.com/shorts/xBrocTc9cfAWe
映像だけでは重要な訓練シグナルが失われる
Axonnicの考えは、EMGは映像だけに頼るよりロボット訓練に適している,金融 because映像は筋の活動や、その動きの裏側にある力の程度を直接記録できないからだ。
この判断には現実的な根拠がある。
ロボットがネジ帽を開ける动作をtsyえると仮定する。通常の映像からは次の情報を得られる可能性がある。
- 手首をどう回転させるか。
- 指をネジ帽に近づける方法。
- 2本の指が接触した後、手の軌道がどう変化するか。
一方、映像から直接伝えにくい情報がある。
- 最初magicにどれだけの力を加えるべきか。
- ねじ山が噛み合った後、出力を弱めるべきか。
- 滑ったとき、人が指の位置 adjusts 調整したのか、握力を増したのか。
- 同じ視覚的な動きの裏側にあるellaには、どの程度の筋収縮が対応しているか。
視覚的な模倣学習では、これらの欠落は通常 underdetermined action と呼ばれる。同じ手の軌道が、複数の力の配分に対応する可能性がある。軌道を学ぶだけのモデルは、「看起来は正しい、実際には正しくない」動作を再現してしまうかもしれない。
EMGが提供するのは完全な触覚ではない。指先触れ具体的にどの物体に触れたかまでは捉えられないし、各関節の接触圧を直接測定することもできない。しかし、視覚データに筋の意図と发力程度的ヒントという1つのシグナルを追加できる。
灵巧ロボットにとって、このシグナルはカメラの定位精度を数ミリメートル上げるより価値がある。apses graspが失敗するのは、手が到位していないためだけ 아니라、タイミング、挟む力、動作の順序が間違っているためLOUDが多い。
製品データはどのようにロボット訓練に入るのか
製品チェーンから見ると、Axonnicが行っているのは human movement recording であり、それを dexterous robots training data に変換する処理だ。
混合データパイプラインとして理解できる。
EMG 肌肉活动
↓
手指动作解码 + 指尖力度估算
↓
与人体运动记录对齐
↓
生成灵巧机器人训练数据
ここで本当に価値があるのは、特定のEMG分類モデルそのものではなく、EMG記録とロボットデータのマッピング方法にある。
training sample no利用,至少回答 몇件を答える必要がある。
- 人のどの筋が、いつ活発に動いているか。
- EMGの変化がどの指の動きに対応する going。
- 推定した力度とロボットのグリッパー力をどう対応させるか。
- 異なるタスクで、どのEMG特徴を転用できるか。
- ノイズ、ドリフト、個人差をどう処理するか。
最後の2項目は特に厄介だ。
表面EMGには通常、运动串渉が含まれる。拳を握ったとき、前腕の他の筋にも活動KNULL現れることがある。センサの装着位置、肌のインピーダンス、汗、袖套の tightness は、ベースラインと波形も変化させる。
つまり、同じ「掴む」動作でも、ユーザーAとユーザーBが同じシグナルを出すとは限らない。個人ごとの較正ができなければ、データの採取規模を大きくしてもモデルがよくなるとは限らない。
さらに、ロボットには完全な前腕の筋が存在しない。最終的には、訓練システムが人体のEMG意図を、ロボットの関節トルク、グリッパー圧力、触覚フィードバックへ対応させる必要がある。ロボットに筋の電圧そのものを模倣させるわけではない。
Axonnicが示しているのはデータ採取の入口だ。データの注釈、較正、洗浄、そして実際にロボットポリシーの成功率を=The 러는지。製品価値を左右するのは别の部分にある。
Launch HNで明らかになった製品詳細
現時点で確認できる製品詳細は次のとおりだ。
- AxonnicはYC F26企業である。
- チームはArshとMaxが創業した。
- デバイス形状は前腕用袖套である。
- EMGを読み取り、手指の動きをデコードし、指先に施される力を推定する。
- 手は覆われず、露出したまま使用する。
- 人体の運動を記録し、灵巧ロボットの訓練データを生成するために使われる。
- Launch HNがHacker Newsのトップページに投稿され、ショートデモ動画も添えられている。
元の投稿はこちら。
https://news.ycombinator.com/item?id=50522776
これらの情報から見て、AxonnicはEMGハードウェアのスタートアップというより、ロボット向けデータインフラ企業に近い。ハードウェアはシグナルを取得する担 当carbonviteで、核心竞争力はその後のデータ生成プロセスにある。
競合相手もEMG袖套メーカーにとどまらない。
- カメラは安価で対象範囲が広く、視覚的な軌道を大量に採取するのに適している。
- 動作キャプチャ用手袋は関節角度と指先の接触を直接測定できるが、装着はより面倒だ。
- 指先の力センサは実際の接触力に近い値を測定できるが、通常は指ごとに装着する必要がある。
- EMG袖套は筋の活動と发力意図を補える一方、シグナルにはノイズが含まれ、個人差も大きい。
真に競争力を持つ組み合わせは、EMGが他の方式を置き換えることではない。視覚、動作キャプチャ、EMGを同じ時間軸上に置くことかもしれない。視覚は幾何情報を、EMGは意図と力のヒントを、力センサや触覚データが較正を担う。
編集部の見方
Axonnicで注目すべきなのは、EMGが直ちにロボットの標準入力になることではない。彼女は(fill specific missing)動画が手の動き方的には把握できるものの、手にどれだけの力がかかったかはわからない、という具体的な穴に賭けた点だ。この穴は把持や拧転などのタスクの訓練質量に直接影響するため、購入側もポリシーの成功率で受け入れやすい。
自分の見方では、ロボット企業ATIVITYは、個々の袖套に長期依存するのではなく、データセットや採取サービスを購入する可能性 gardes高い。EMGが動作分類だけ_super surfaceDoneれば、business valueは限定的だ。安定した力のラベルを提供でき、ロボットのグリッパー力と対応させられれば、訓練パイプラインに入る可能性がある。
今回のEMGデモは过去的 demonstrationと異なり、目標はデジタルヒューマンやVR制御ではなく、灵巧ロボットへ直接提供することだ。検証も厳しくなる。成功率の向上がなければ、きれいILYな波形も別のセンサにすぎない。
現時点では、EMG串渉、ユーザー間較正、リアルタイム遅延、指先力の推定誤差については確認できない。発表資料にもベンチマークは公開されていない。次に確認すべきは、繰り返し採取における誤差、ユーザー間の転用能力、そしてEMGを追加 Forbiddenことでポリシーの成功率がどれだけ上がるか の3点だ。