3S Market deliver Smart and Valuable information for Business
3S Market 傳遞 智慧應用與價值的商業資訊
President Trump threatens new tariffs
今日主題 工業 4.0 智慧工廠\智慧車載交通\智慧經營管理
智慧車載交通與能源環保
|
2019年5月8日 星期三
‧ 2019\05\08\3S MARKET Daily 智慧產業新聞
President Trump threatens new tariffs
．智慧工廠案例分析 – 成本降低 20%、流程縮短 10%，希捷如何讓智慧製造從自動化邁向智慧化
Seagate HDD Manufacturing Process,
 |
 |
內容綜述：
‧ 希捷打造了一個切實可行的、實用的人工智慧（AI）平台以提升生產線效率和產品品質。該平台可以將生產所需的，新型無塵室投資成本，降低達20%，而流程耗時則縮短10%。
‧ 該項目在希捷內部被擬定代號為雅典娜（Athena），系統每天處理數以百萬計的顯微鏡照片。
‧ 透過深度學習和自我訓練，Athena比人類專家更為迅速精準地辨識缺陷。
‧ 希捷能夠以更快的速度、更低的成本解決，不按規範問題和流程問題。透過提高效率和完善品質管理，希捷預計有望獲得高達300%的投資報酬率。
‧ Athena 項目技術，為製造業的所有客戶，提供了廣泛的應用。這是智慧製造邁出的最重要的第一步，也證明瞭工業 4.0 已經到來。
Athena 項目介紹
希捷已在其位於明尼蘇達州諾曼代爾（Normandale）的晶圓製造工廠，成功部署了有史以來，第一個深度學習製造項目。晶圓片（小片半導體材料）被用來生產硬碟上的讀寫頭。
希捷工廠中，記錄感應器的年生產量超過10億。為保障最高標準的品質水準，必須對這些感應器進行分析和測試，以檢測是否存在製造缺陷。
感應器是什麼？它們與晶片和驅動器有什麼關係？這得從原材料說起，其原材料實際上是一種薄的半導體基板。經過光刻工藝過程，基板變成薄的、扁平的、水晶般的晶圓片。晶圓切割並進行進一步處理後，就變成了感應器—— 一個能夠在旋轉的磁碟記錄表面，進行數據讀寫的部件。
測試過程漫長、複雜且需要大量人力。每張200毫米的晶圓上，有10萬個需要檢測的感應器。諾曼代爾工廠每天拍攝，數百萬張的顯微鏡照片，產生的數據量高達10TB，這些照片需要在晶圓組裝入硬碟前，得到篩選，以檢測潛在的產品缺陷。
由於需要分析的感應器數量龐大，工程師不可能對所有感應器進行檢測。即使製造過程漫長，也沒有足夠的時間，來檢查每一張圖像。這就意味著有缺陷的部件，有時候確實能夠躲過即時檢測，在隨後的過程中才被發現，而屆時付出的成本，則要高很多。
希捷需要一種能夠在更短時間內，檢測更多圖片的方式。但是僅僅靠雇用更多的圖像分析專家，還沒有辦法完全處理1700萬張圖片。
希捷團隊採用基於規則的圖像分析，實現了一定程度的自動化。採用這種方法，只要系統首先獲知，它要尋找什麼，就有可能辨識出異常。而規則是人工建立起來的，這是一個耗時，且必須經過不斷調整，和完善的過程。
基於規則的系統建立慢、完善慢並且可能會得出不同的結果。除了產生很多誤報之外，規則只能檢測出已知問題。這可能造成潛在風險—即有問題的晶圓在組裝進讀寫磁頭前，可能逃過檢測。
得益於人工智慧、機器學習，以及物聯網感應器的發展，一個新的，可以規避上述風險的解決方案應運而生，這就是希捷的Athena 項目。
解決方案
該方案需要解決兩大問題：每天需要處理的大量數據，以及當前基於規則的分析系統，所存在的缺陷。傳統的大數據程序，是進行批量處理的，但這完全不適用於24×7×365運行的生產線。
第一步是建立一個具備提高自動化，和感應器故障檢測洞察能力的深度神經網路（DNN）。神經網路的建構採用Nvidia V100和P4 GPUs*，以及希捷的高性能Nytro®X 2U24儲存，以支援Athena的深度學習，和人工智慧系統。
接著，將晶圓圖像輸入深度神經網路，從而訓練人工智慧系統區分「合格」和「不合格」的晶圓。Athena的學習方式，和人類工程師完全一樣——查看成千上萬張圖片。但得益於深度神經網路的原始處理能力，Athena比人類學得更快、更精準。
一段時間後，Athena獲得了，分辨流程中潛在缺陷的能力。人工智慧助手標記異常圖像，以供主題專家進行手動評估。Athena還可以基於圖像分析操作過程中，檢測到的異常情況，進行規則的建立和細化。
最為重要的是，Athena 可以對電子顯微鏡生成的圖像，進行即時接收和分析。深度神經網路能夠在每張圖片，生成的同時進行處理。截至目前，希捷已實現了每天處理當天生成的300萬張圖像，並能夠辨識，可能被人類工程師遺漏的微小缺陷。
即時處理有助於團隊，盡早辨識和糾正製造中的問題。發現問題越即時，希捷就能越有效地降低，其對生產流程和成本的影響。
未來
Athena項目擅長缺陷辨識，但它不會也不能完全取代工廠專家。Athena項目的關鍵，在於其為希捷的晶圓專家，開拓了新的思路，糾正生產流程中的重大問題。
Athena為解決希捷工廠外的更多問題，起到了示範作用。它能夠以更迅捷、更高適應性，以及更有意義的方式檢測到異常，這種能力可以擴展，應用到智慧工廠之外的其他地方，並在公共安全、自動駕駛汽車和智慧城市等，各種領域證明其行之有效。
希捷執行副總裁兼營運、產品和技術主管Jeffrey Nygaard表示：「我們希望盡快將Athena ，部署到我們所有的生產設施中。隨著微型相機和物聯網感應器成本的下降，類似的技術也可以應用於其他領域。這是智慧製造領域重大革新的第一步，也可以擴展應用於我們其他工廠的基礎架構。」
希捷的每個製造工具都包含至少30個感應器，它們每秒鐘都會記錄機器的健康狀況，和其他測量數據。生成的資訊，能夠幫助更好地發現不合規操作。將數據輸入Athena 深度神經網路，有助於更早地辨識生產的問題。這為採取積極防禦措施，進行修復和故障預防提供了機會。
Athena項目的受益人不僅限於希捷。類似的智慧工廠技術，可以部署到整個製造業，幫助希捷的客戶享受到更多類似Athena 能夠提供的優勢。客戶用例或許有所差異，但其基本原理——深度神經網路、人工智慧和機器學習——是相同的。
客戶需要可靠的技術平台，部署人工智慧項目，而希捷的解決方案能夠滿足這些需求。
邊緣驅動
為了有效地開展工作，Athena項目需要進行大量的數據處理——為了快速檢測到異常，每天要及時處理高達10TB的晶圓圖像數據。
未來幾年，全球數據創造量將會飆升，而Athena 的存在，順應了該趨勢。根據希捷贊助、IDC發佈的報告預測，到2025年，全球數據圈將成長至175ZB。
在這個數據密集的新世界中，對速度的需求亟待新的解決方案。邊緣計算（Edge computing），作為Gartner 預測的2018年十大策略技術趨勢之一，是對延遲需求降低的回應，也是對即時處理的關鍵應用程序的回應。它讓計算更靠近數據源，更迅捷地向最終用戶交付服務。
如果數據能夠在數據源附近得到處理，那麼就可以在離最終用戶更近的地方，生成即時洞察，從而大大降低網路資源的負載，並為潛在的新應用打開全新的局面。
以這種模式，數據中心技術——計算和儲存模式——都將更加接近網路邊緣，為新一代應用程序開創機會。
以這種模式，數據中心技術——計算和儲存模式——都將更加接近網路邊緣，為新一代應用程序開創機會。
．一文讀懂電壓電流的超前滯後
Lead Lag
 |
來源：智能风向标
電壓電流的超前與滯後這個概念，是相對於電流和電壓之間的關係而說的。
比如是容性負載（電容器），那麼他會導致最終電流超前90度，如果是電感則產生最終電流超前－90度（即滯後90度） 反過來說，在平面直角坐標系中，假設電壓為X軸水平方向，則是否超前則為Y軸垂直方向，當為容性負載時為Y正半軸部分，感性負載為Y負半軸部分 無論是正超前還是負超前（滯後）都會導致功率因數下降，而純阻性負載其超前角是0度，這個時候功率因數為1，正因為容性和感性具有這種相反的性質，那麼當使用電動機等感性負載時，會導致嚴重的負超前，這個時候就應當使用足夠的電容器進行補償，使其無限逼近0度，保證功率因數無限的逼近1。
總之，功率因數下降，無論是正超前還是負超前都回導致下降，只有為0時才是最高的，而感性負載一應用就肯定是負的了。所以就要用電容補償讓他接近0。
如下圖，由於Sin［ωt］在求導或積分後會出現Sin［ωt±90°］，所以對於接上了正弦波的電感、電容，橫坐標為ωt時可以觀察到波形超前滯後的現象，直接從靜態的函數圖上看不太容易理解，還是做成動畫比較好。
下圖是電感的，用紅色表示電壓，藍色表示電流。如果接上理想的直流電壓表、直流電流表，可以觀察到電壓的變化超前於電流，電流的變化滯後於電壓。時間增加時，縱坐標軸及時間原點會隨著波形一起往左移動。
如果把波形畫在矢量圖右方，就是下面這種動畫，但橫坐標右方是過去存在的波形，指向過去，是－ωt。雖然波形反過來了，但電壓的變化仍然超前於電流，電流的變化仍然滯後於電壓。時間原點一直隨著波形往右方移動，函數圖中的縱坐標軸並未與橫坐標交於原點，交點所代表的時間一直在增加。如果不注意，超前滯後的判斷很容易出錯。
理解超前滯後這一概念，用向量圖是最好的，從測量數據來觀察或者從靜態波形上觀察，都不太直觀而且容易出錯。下圖是電容的。電壓的變化滯後於電流，電流的變化超前於電壓。坐標系右方是未來，左方是過去。
橫坐標是－ωt時，電容的電壓的變化仍然滯後於電流，電流的變化仍然超前於電壓。因為此坐標系左方是未來，而右方是過去。
下圖是電阻的。電壓函數電流函數同相。
下圖是三者串聯的情況，沒畫相量圖和波形圖。但從指針的變化可以判斷：電流相同時，電感和電容的電壓函數反相。
沒畫總電壓，因為總電壓有可能超前於總電流，也有可能滯後於總電流，也有可能兩者同相，同相時為諧振狀態。
以前還做過這種，元件右邊標的是電壓電流的參考方向。用不同的顏色描述電壓的大小，藍色＞黃色＞紅色；用不同的粗細和箭頭，描述電流的大小和方向，而且把電感、電容充能的效果也做進去了，電流最大時電感磁場能最大，電容電場能最小。
但是，就解釋超前滯後這一概念的話，指針表的動畫更直觀。
．AR 導航帶來全新的安全駕駛體驗
AR NAVIGATION
來源：四维智联
導航已成為出行必不可少的工具，可以幫助人們順利達到陌生地點。即使是熟悉的路線，也會利用導航查詢當前路況，避免塞車。
但在日常使用傳統導航時，經常會遇到複雜的路口，儘管手機導航語音播報已很清楚，但由於對路徑不熟，目測到實際路口位置比較困難，或路標指示不明等情況，導致走錯路口時有發生。
如果是駕駛新手，在螢幕上顯示的地圖，需要車主快速用3D空間的思維轉換，甚至影響到駕駛安全。
面對這些不定的情況，更直接的「AR導航」解決方案應運而生。
AR導航可以透過將導航指引資訊，顯示在場景中疊加顯示，使人們可以以最直接的方式，理解導航資訊，大幅降低用戶對於傳統電子地圖的讀圖成本。
與傳統地圖導航不同的是，AR導航利用攝影機，將前方道路的真實場景，即時捕捉下來，再結合汽車當前定位、地圖導航資訊，以及場景AI辨識，進行融合計算，然後生成虛擬的導航指引圖標，並疊加到真實道路上。
從而創建出更貼近駕駛者，真實視野的導航畫面，大幅降低了用戶，對傳統2D或3D電子地圖的讀圖成本。
AR導航還能夠對過往車輛、行人、車道線、斑馬線、紅綠燈位置、限速牌等周邊環境，進行智能的圖像辨識。
從而為駕駛員提供跟車距離預警、壓線預警、紅綠燈監測與提醒、前車啓動提醒、斑馬線提醒等一系列駕駛安全輔助，給用戶帶來比傳統地圖導航，更加精細、更加安全的服務體驗。
全像AR導航系統抬頭顯示產品，這種可以顯示導航引導，和安全警告等資訊，而這些資訊會出現在駕駛者眼前，覆蓋在汽車前方的道路。
（車窗視角）
一般來說，AR導航的顯示方式有車機螢幕、智慧後視鏡、液晶儀錶盤、前風擋HUD等不同位置顯示。
（儀錶盤視角）
而在實際使用體驗中，除了HUD，其他的展示形式，車主在查看時要將視線下移，離開路面，會有短暫的盲開，這是十分危險的，所以AR導航的未來將是AR－HUD產品的興起。
這款AR導航系統，可以圖像投射到道路上，並且能根據不同身高的駕駛員的視角進行調整，以確保圖像處於對齊的位置。
這種虛擬投影的長度為1米，寬3米，距離駕駛員目光的距離20米，真正的做到了所見即所得的導航引導。
隨著全球居民消費水準，和汽車智慧化程度的提升，消費者對於安全性和智慧性的需求，正在不斷上漲。HUD不再是高端車型的標誌，越來越多中低端車型上，也開始出現了它的身影，AR－HUD即將作為標配，成為汽車產品的一個重要賣點。
 |
．工業 4.0 趨勢下機器人將如何變革？
Production 4.0 –
Secure Human- and Robot Interaction
來源：OFweek机器人网
製造業的生產力已經歷了三次深刻的變革，第一次是以水和蒸汽動力為核心的變革，也稱為工業1.0時代。第二次工業革命是電力時代，發電機問世，並帶來了生產力的飛躍。第三次是電腦時代，電腦技術突破，促進了生產自動化的發展。而今天，我們正在迎來第四次工業革命，以資訊技術為核心的工業4.0時代。
工業4.0或工業物聯網指的是將所有設備、電腦、人和產品等，所有生產元素連接起來，並從中採集豐富的大數據，然後通對數據分析來指引導生產，最終使生產線達到最高的效率。實際上，工業4.0就是透過資訊技術，來提高工廠的靈活性和效益，幫助企業提供競爭力。
那麼，在工業4.0時代，機器人產業又將發生怎樣的變化？近年來，機器人已經發展成為製造業的主要角色，機器換人舒解了工廠招工難的壓力，提升了工廠的生產效率，在現代製造業充當不可或缺的角色。
當工業機器人遇到工業4.0，將會產生微妙的變化，一些機器人廠商開始利用工業物聯網，實現在線上監測、預測性維護、流程優化等，將機器人的能力水平提升到了一個更高的級別。
當工業機器人遇到工業4.0，將會產生微妙的變化，一些機器人廠商開始利用工業物聯網，實現在線上監測、預測性維護、流程優化等，將機器人的能力水平提升到了一個更高的級別。
零停機時間
匆忙的生產流水線上，機器在不停地運轉，工廠每一秒都在創造價值。生產管理者並不希望機器停歇，但機器磨損和故障難以避免，理想化的24小時不停機作業，是很難達到的。不過，工業4.0的技術提供了新的思路，透過工業物聯網連接和監控，可以進一步保障機器的正常運行。
機器人廠商發那科和通用汽車開發了一個基於雲的軟件平台ZDT，這是一個零停機時間解決方案，用於分析從通用汽車工廠裡機器人收集來的數據。
該方案最初是用來消除停機時間，但隨著越來越多的數據被收集，ZDT系統能力增長並產生了巨大的回報。據悉，從2014年項目啓動到現在，通用汽車已經避免了超過100次重大的意外停機，對於汽車工廠來說，每一次停機可能很容易造成數百萬美元的損失，這是一等筆巨大的開支。
該方案最初是用來消除停機時間，但隨著越來越多的數據被收集，ZDT系統能力增長並產生了巨大的回報。據悉，從2014年項目啓動到現在，通用汽車已經避免了超過100次重大的意外停機，對於汽車工廠來說，每一次停機可能很容易造成數百萬美元的損失，這是一等筆巨大的開支。
零停機時間方案使得生產設施有了預測性維護的能力，從機器人捕獲的數據，然後在故障發生之前處理，從而避免了意外停機。只要從機器人中收集到充足的數據，就能根據自身的微小變化來診斷，然後對其進行調整進以提高整體效率。
透過數據分析掌握機器的情況，管理者可以安排合理的維護計劃，而不用進行非必要性的定期維護。
透過數據分析掌握機器的情況，管理者可以安排合理的維護計劃，而不用進行非必要性的定期維護。
自主機器人
工業4.0模式的意義不只是在於防止停機，包括工業物聯網、虛擬實體系統、雲計算、機器人、大數據、邊緣計算等技術，將資訊技術（IT）和營運技術（OT）融合起來，進一步提升機器的水準，使得工廠設備更加靈活和智慧。
在未來製造業中，機器人將連接到伺服器，透過大數據的分析，以實現更合理的調度控制。在資訊技術的助力下，機器人的工作可以比以往，更協調和智慧化，例如工廠的行動機器人，在調度系統的監控下，可以識別出周邊環境，順利避開障礙物，以及與其它機器人進行有效的協作等。
機器人的自主決策，來自於周邊環境分析，和更多資訊支持，收到來自即時生產系統，和製造執行系統的工作信號，然後根據信號進行自主性的工作，例如生產線上原材料的補給，機器人只有知道了產線的生產狀況，才能判斷何時送出物料。
此外，機器人可以透過大數據分析，規劃出最佳的路線，以縮短機器運行的時間。機器人連接雲計算平台，透過豐富的數據洞察，能最大限度提高設備能力和生產效率，保證更高的產品品質。
|
． 史丹佛大學研發出能夠模擬人手感知能力的電子皮膚
Zhenan Bao, Stanford University, Skin-Inspired Electronic Materials
 |
據麥姆斯咨詢介紹，開發與人手媲美的的機器手，所面臨的多方面挑戰，仍然是需要大量研究的課題。毋庸置疑，研究人員在複製人手諸多功能和特徵，如某項或幾項性能（抓取和操縱等）已經取得了一些進展。
然而，人手是多功能的結合，如骨骼結構、肌肉力量、完全控制的關節、壓力/剪切力/運動/加速度/溫度感知，等等，並在很寬泛的動態範圍內擁有這些屬性。
然而，人手是多功能的結合，如骨骼結構、肌肉力量、完全控制的關節、壓力/剪切力/運動/加速度/溫度感知，等等，並在很寬泛的動態範圍內擁有這些屬性。
史丹佛大學（Stanford University）研究人員正在展開的工作，展示了在嘗試提供，與人體皮膚相同感知能力，所面臨的挑戰和進步。由化學工程師鮑哲南（Zhenan Bao）領導的團隊，開發目標是在手套的指尖，嵌入「連續」感測器。
感測器能夠同時測量力的強度和方向，兩個反饋因子，對實現完全控制的靈活性非常重要，這是不需要經過有意識思考的人手，所提供的壯舉。
感測器能夠同時測量力的強度和方向，兩個反饋因子，對實現完全控制的靈活性非常重要，這是不需要經過有意識思考的人手，所提供的壯舉。
在觀察這款手套之前，應該先瞭解皮膚結構，它不僅僅是一個靈活、充滿神經的保護層。外皮層布滿感測器，以檢測壓力、熱量和其他刺激物；當然，手指和手掌上都是密集的觸摸感測器。但是這可謂只是表層。表層之下是被稱為棘層的皮膚內層，看起來像丘陵和山谷的凹凸不平的微觀地帶。這些突起（bump）是感測「機制」的重要組成部分。
兩層皮膚緊密結合，以整合感官信號。當手指接觸皮膚表面時，皮膚外層會移動到更接近底層的棘層。輕微的觸感，主要來自棘層的「山頂」，當施加更大的壓力時，將外皮層推入棘層的「山谷」，以引發更強烈的觸感。
雖然看起來相當簡單，但是只是其中的一部分。皮膚的凹凸層能夠感知更多，它揭示了壓力的方向（剪切力）。當手指朝一個方向按壓時，在微觀山丘的另一側，會產生強烈的感知信號。感知和評估剪切力大小的能力，對實現溫和有力的動作（例如在拇指和食指之間保持易碎物體）而言非常重要。
工程上的挑戰是從電學角度，複製皮膚功能，並開發出多層手套。為了實現上述目標，研究團隊採用了三層佈局，由絕緣橡膠層分隔電活性頂層和底層。
底層也有金字塔結構的小突起，類似於皮膚；它們共同形成具有密集感測點陣列的二維網格。奈米電容器的佈局，包括嵌入聚氨酯（polyurethane, PU）的碳奈米管（carbon-nanotube, CNT）頂部和底部電極；它們可以測量和區分正向力（垂直於表面）和切向（剪切）力（圖1）。
底層也有金字塔結構的小突起，類似於皮膚；它們共同形成具有密集感測點陣列的二維網格。奈米電容器的佈局，包括嵌入聚氨酯（polyurethane, PU）的碳奈米管（carbon-nanotube, CNT）頂部和底部電極；它們可以測量和區分正向力（垂直於表面）和切向（剪切）力（圖1）。
圖1 電子皮膚的製造和組裝（A）—該裝置由三層組成，透過層壓組裝：底部是厚度為1mm，帶有山丘陣列的聚氨酯層（山丘直徑1 mm，高度20 μm）（i）；中間是厚度為10 μm的介電層，作為頂部和頂部電極之間的間隔層（ii）；頂部是厚度為60 μm，帶有金字塔陣列的聚氨酯層（iii）。
電極由噴塗和光刻，實現圖案化的導電碳奈米管製成，嵌入聚氨酯基質中（電極寬度300 μm，兩個電極之間的間距50 μm）。製作電子皮膚的光學圖像和山丘、電極上的特寫視圖（插圖）（B）。
光學成像顯示了碳奈米管-聚氨酯互連，用於LCR測試儀進行信號記錄，以及頂部具有模制金字塔的電子皮膚層SEM圖，顯示了碳奈米管-聚氨酯和聚氨酯區域（插圖）（C）。
電極由噴塗和光刻，實現圖案化的導電碳奈米管製成，嵌入聚氨酯基質中（電極寬度300 μm，兩個電極之間的間距50 μm）。製作電子皮膚的光學圖像和山丘、電極上的特寫視圖（插圖）（B）。
光學成像顯示了碳奈米管-聚氨酯互連，用於LCR測試儀進行信號記錄，以及頂部具有模制金字塔的電子皮膚層SEM圖，顯示了碳奈米管-聚氨酯和聚氨酯區域（插圖）（C）。
但是這些感測點，並非簡單的電容器。電子皮膚的頂層包括模制的方形金字塔網格，當施加外力時，金字塔會發生彈性變形。電子皮膚的底部，使用二維陣列模制山丘，以模仿人體皮膚中的棘層；這些對於測量和區分施加力的方向，是必不可少的。每個山丘對應25個電容器，每個電容器大小為90,000 μm2，山頂有1個電容器，斜坡有4個電容器，四個角落各有1個電容器，山丘周圍有16個電容器（圖2）。
圖2 圍繞山丘的不同電容器（像素）位置示意圖，其中1個位於山頂，4個位於斜坡，4個位於角落，16個位於山丘周圍。
位於山丘一側，並承受較大壓力的電容器，電容成長幅度大於，與施加力方向相反的一側（分別為正向力、剪切力和傾斜力）（圖3）。圍繞山丘的電容圖，提供了區分幾種不同類型的施加力的能力，單獨的單個像素則無法提供上述資訊。
圖3 測量仿生電子皮膚的響應特性；以一個山丘為中心的5 × 5電容器感測器陣列的特點，在於透過施加正向力（a）、施加剪切力（b）和施加傾斜力（c）來測量壓力響應曲線。每個色帶對應5%的ΔC/Cmin變化，與沒有施加和施加過壓力的電容相一致。
該團隊透過模擬研究了電子皮膚參數，以最大限度提高其靈敏度、信噪比（SNR）和時間響應權衡。他們使用了多種金字塔尺寸（寬度為10、20、30、40、50 μm）和分隔距離（比例b/a=0.4、0.8、1.2、1.6、2和4，其中a + b是兩個金字塔中心之間的距離）。
將手套放置在實體模型柔性手上，將它連到安裝在KUKA IIWA機器人臂的雄克（Schunk）WSG 50夾具上，以提供驅動。算法利用反饋迴路中的感測讀數，來指導戴手套的機器手，輕柔觸摸漿果，或像人手一樣，舉起並移動一個乒乓球。這是透過使用感測器來指示剪切力，並控制戴手套的手，以根據人體功能需求，去調整其動作而實現的（圖4）。
圖4 感測器足夠靈活，可以在不壓碎一顆藍莓的情況下，讓手指拾起並抓住。
人體皮膚的基礎知識，以及電子皮膚的設計、材料、製作和應用的全部細節都發表在《Science Robotics》期刊上，一篇非常易讀且內容豐富的論文中，論文題目為「A hierarchically patterned, bioinspired e-skin able to detect the direction of applied pressure for robotics」，包括其補充資訊。
此項研究工作中的一部分，得到了瑞士國家科學基金會（Swiss National Science Foundation）、歐洲委員會（the European Commission）、美國國家科學基金會（National Science Foundation）和史丹佛奈米共享設施（Stanford Nano Shared Facilities）的支持。
|