姿态深度学习模型

传感器阵列与数据表示

柔性传感器阵列佩戴于手部，每个传感单元随手指弯曲产生电信号变化。阵列输出可表示为二维网格数据，网格中每个元素对应一个传感单元在某一时刻的测量值（如电阻、电容或电压）。该网格数据保留了传感单元的空间排布关系，是后续深度模型的输入。

深度学习模型：特征提取与决策

深度学习模型接收传感器阵列数据，通过多层网络结构自动完成特征提取与决策。卷积层适合处理网格化数据，利用局部连接和权值共享提取空间局部特征；池化层降低特征维度，并降低对局部小位移的敏感性（并非严格或普遍的平移不变性，其效果取决于窗口、步幅、边界和任务；用于姿态定位时不宜把不变性当作必然优势）；全连接层将高层特征映射为输出。模型输出为手指姿态参数，例如各关节角度或指尖三维坐标。

手指姿态估计流程

整体流程为：传感器阵列原始数据 → 深度学习模型（特征提取 + 决策） → 手指姿态估计值。估计值可表示为三维空间中的骨架点坐标，如 $(x,y,z)$ 或图像坐标 $(u,v)$，用于驱动虚拟手或机器人手复现姿态。

符号与单位

传感器测量值单位取决于传感器类型（如电阻用 $\mathrm{\Omega }$，电容用 $F$，电压用 $V$）。姿态估计输出中，坐标 $(x,y,z)$ 单位通常为毫米（mm）或米（m），图像坐标 $(u,v)$ 单位为像素（pixel）。关节角度单位为度（°）或弧度（rad）。

适用范围

该方法适用于柔性传感器阵列与手指姿态之间的非线性映射学习，要求训练数据覆盖目标姿态范围。模型性能受传感器一致性、佩戴位置和训练样本多样性影响。