PaXini PX-6AX GEN3: Eine datennative taktile Sensorplattform
Februar 2026 – Berührung messbar, erlernbar und wiederverwendbar machen
Von der Kontaktphysik zum lernbaren Signal
Die PaXini PX-6AX GEN3-Serie ist eine Familie mehrdimensionaler taktiler Sensormodule, die für die hochauflösende Kraftwahrnehmung, das Kontaktverständnis und die datengesteuerte Robotermanipulation entwickelt wurden. Anstatt Berührungen als binäres Ereignis zu behandeln, erfasst der PX-6AX GEN3 räumlich verteilte, dreiachsige Kraftfelder an der Kontaktfläche.
Designphilosophie
Bei der herkömmlichen Kraftmessung durch Roboter liegt der Schwerpunkt auf der globalen Kraft oder dem globalen Drehmoment. PaXini basiert auf modernen Lernsystemen, bei denen lokale Kontaktgeometrie, Kraftverteilung und zeitliche Entwicklung entscheidende Signale sind. Das System bietet: räumlich verteilte Erfassung (nicht Einzelpunkt), dreiachsige Kraft (Fx, Fy, Fz) an jeder Zelle, hohe Wiederholbarkeit für Datensatzkonsistenz und direkten digitalen Zugriff für Echtzeit-Lernpipelines.
Wahrnehmungsprinzip
PX-6AX GEN3 verwendet eine halbflexible, auf dem Hall-Effekt basierende Architektur. Eine nachgiebige Elastomerschicht verformt sich bei Kontakt; Verformung führt zu kontrollierter Verschiebung magnetischer Elemente; eine starre Sensorschicht misst Magnetfeldänderungen; Eingebettete Algorithmen rekonstruieren dreiachsige Kraftvektoren. Anti-Streumagnetfeld-Algorithmen isolieren kraftinduzierte Signale und unterdrücken Umgebungsstörungen.
Datenausgabe und Semantik
Bei jedem Zeitschritt liefert der Sensor dreiachsige Kraftvektoren pro Zelle und aggregierte resultierende Kräfte. Diese Darstellung ermöglicht es lernenden Systemen, Rückschlüsse auf Kontaktort, Druckverteilung, Gleit- und Scherkräfte sowie Übergänge zwischen Haften und Gleiten zu ziehen. Teilkontakte, Fehlausrichtung und beginnende Abweichungen sind wesentliche Signale für solides politisches Lernen.
Lernworkflows aktiviert
Dichte taktile Signale ergänzen visuelle und propriozeptive Beobachtungen für das Nachahmungslernen. Verteiltes Force-Feedback liefert reichhaltige Belohnungssignale für RL. Taktile Daten können mit Vision, Gelenkzuständen und Audio kombiniert werden, um multimodale Wahrnehmungs- und Kontrollmodelle zu trainieren.