触摸和熔化探索了人机协同生产的过程，这一过程中使用了人类固有的技能和功能机器人的技能找到并专注于对象物理表面和物体表面独特纹理及其他相关特征的能力，能够很容易地生成一个复杂的伪任意的移动路径和一个对象——明显是人的能力。在许多形式的制造中，以精确和一致的方式移动的能力是一种绝对属于机器的能力。
使用 MoCap（动作捕捉）技术来收集触觉扫描数据（跟随人类末端执行器的路径）, 这种制造方法产生了被扫描物体的形式的抽象版本。这个抽象通过寻找花费时间最多的区域来寻找特定的触觉重要性特征。
接下来，这个过程使用一个触摸密度的直方图来生成一个机械手臂需要执行的轮廓。最后，机器人手臂在一个空气加热回流工站操纵一块苯乙烯塑料；它的运动遵循生成的轮廓。由此产生的熔融塑料是对目标物体人类解释的一种抽象表示。
本项目目的如下：
观察人类触觉扫描的形式； 什么样的边缘、形式、纹理和触觉其他的重要方面；
测试这个假设： 使用这个系统扫描同一个物体时，不同的用户会产生不同的输出；
寻找合适的材料，材料厚度，机器人加热工具，轮廓顺序，温度，气压。
为方便解释，将采用两个用户扫描单个物体的方式（图片如下）。
用户扫描对象物体时（本例中是一个项目创建者的脸），将一个或多个标记传感器安装在手套或手指上（依赖于软件和物理限制）。
MoCap 系统记录扫描并收集3个坐标位置数据。
然后，将位置数据导出并通过 Python 脚本解析成 3D 空间中的一组点，以便在 Rhino 中由 Grasshopper 来表示。
3D 点集被压平在一个平面上并覆上网格，每个区域的点密度被映射到相应的方块，并生成一个表示触摸密度的热图：
在这份热图中，绿色-黄色-红色依次表示增加的触摸密度。
一旦触摸密度值被映射到点阵中，每个点阵方框被提升到与它所代表的触摸密度值相关的高度，并对凸起部分的表面进行修补。
从这个新的平滑表面，通过在用户设置的时间间隔内对其进行切片来提取一组轮廓（下图）。为了更深入地了解等值线的工作原理，请阅读 Rhino 中的轮廓功能，这两种行为都基于相同的原理）。
这些轮廓线被分解为路径集工机械臂参照：
从收集到的数据到机器人路径，这个过程保留了相当多的易辨识性。
机械臂引导加热枪下的聚乙烯材料沿着轮廓路径移动。
一块苯乙烯的原料被安装在机器人的夹子上，机械臂引导加热枪下的聚乙烯材料沿着轮廓路径移动。
经过多次测试（塑料有一点烧焦），我们能够找到表达能力和信息保留有效平衡的制造过程！
然而，达到这一有效的制造过程并非易事。制造过程中需要测试和探索的一个因素是按顺序排列的轮廓。
为了加热，我们想要使材料的 z 轴偏转最大化（为了得到最具生动性和表现力的输出），我们最初认为，我们应该以一种由内到外的顺序来处理同心轮廓。这将使加热枪和随后的轮廓之间的距离最小化。然而，我们了解到，当轮廓相对较近时，内环会受到过多加热，并在材料上形成孔洞，以一种我们认为不太理想的方式来扭曲剩余材料，以保持轮廓信息。因此，我们认为最好的方法是，从外到内移动，减少内部轮廓的受热。
然而，当我们测试从外到内的顺序时，在材料中，内部轮廓线的位置离加热枪的距离太远，材料无法有效地融化。最后，我们决定按切片的顺序来处理每一层的轮廓。例如，下面的图（1）中的最外层的轮廓将首先被处理。接下来，第二个更小的同心轮廓，即等值的同心度（2）的小轮廓线。随后的圆形轮廓将包括那些标记为（3）的轮廓。依次类推，一直持续到最后一层。这种加热顺序被证明是最有效的，因为它是对那些本应变形的区域的一种有效的平衡，但在一个小地方却没有足够的集中热量导致出现大洞。
当不同的用户扫描相同的对象时，结果在路径和触摸密度上都有很大的变化。例如，两名相对不熟悉系统相关技术的志愿者扫描了同一个对象（一个项目成员的脸），并以完全不同的方式进行扫描；速度、主要焦点的特征和扫描目标的变化非常大。如下所示，这些路径在结构上是不同的并且以他们自己的模式重复。
在调查哪些物理特征最吸引人时，我们能够收集主要关于人脸的信息，因为这是我们所选择的对象集合。一般来说，鼻尖、鼻边、下巴和较低的前额似乎是最主要的兴趣所在。这似乎是由于这些特征有清晰的轮廓定义。相对不稳定或平坦的地形（如飞机或锯齿状的表面）似乎并没有特别的触觉兴趣，而边缘和相对较长的曲线似乎更容易引起人们的注意。
经过各种测试，我们发现最优输出参数如下：
加热回流工站，温度为 430 摄氏度，90% 的空气压力
1/16″ 苯乙烯塑料
热喷枪（热空气重做站的末端）距离苯乙烯塑料表面 1.25″
5mm/s 移动速度
一种同心的等高线排序模式（更多信息请参阅过程部分的最后一段）
感谢 Garth Zeglin 和 Joshua BardWe 教授在整个项目过程中的指导和帮助。同样感谢 Jett Vaultz, Ana Cedillo, Amy Coronado, Felipe Oropeza, Kelly Underwood, Jade Crockem, 以及 Victor Acevedo 贡献了他们宝贵的时间。
（原文发表于medium，参考链接：medium.com； AI 研习社编译）
最前沿的电子设计资讯
