في عالم التكنولوجيا المتزايد، تلعب الروبوتات دورًا حيويًا في سلسلة الإنتاج، وخاصة في مجال التعاون بين الإنسان والروبوت (Human-Robot Collaboration - HRC). لكن كيف يمكن لهذه الروبوتات أن تتعرف على الإيماءات بشكل أكثر فاعلية؟ تطرق البحث الأخير إلى التقنيات الرائدة التي تستخدم استشعار المفاصل المدمجة في الروبوتات، مما يقلل الاعتماد على الحساسات الخارجية.

تستند الدراسة إلى أساليب التعلم العميق وتستخدم نماذج الشبكة العصبية الالتفافية (Convolutional Neural Networks - CNN) لتحليل كفاءة تنفيذ هذه الطريقة. أجريت تقييمات متعددة للمعماريات المختلفة، وتم جمع مجموعة من البيانات لفحص تأثير تمثيل البيانات على دقة التعرف.

تظهر النتائج أن التمثيلات المعتمدة على طيف التردد (spectrogram-based representations) تعزز الدقة بشكل ملحوظ، في حين كان لمعماريات النماذج تأثير أقل. كما تم اختبار قدرة النماذج على التعميم مع أوضاع جديدة للروبوت، حيث أظهرت النماذج المعتمدة على الطيف تميزًا ملحوظًا.

عند تنفيذ هذه الطرق على روبوت Franka Emika Research، حققت طريقتان، STFT2DCNN وSTT3DCNN، دقة تفوق 95% في اكتشاف التلامس وتصنيف الإيماءات. تمثل هذه النتائج خطوة كبيرة نحو الاستشعار اللمسي العالي الدقة دون الحاجة إلى حساسات خارجية، مما يمهد الطريق لأبحاث أفضل وحلول أكثر فعالية من حيث التكلفة في مجال التعاون بين الإنسان والروبوت.