Tejada, Carlos E., Raf Ramakers, Sebastian Boring, and Daniel Ashbrook. 2020. “AirTouch: 3D-Printed Touch-Sensitive Objects Using Pneumatic Sensing.” In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–10. CHI ’20. New York, NY, USA: Association for Computing Machinery.
Author
Tejada, Carlos E., Raf Ramakers, Sebastian Boring, and Daniel Ashbrook. 2020. “AirTouch: 3D-Printed Touch-Sensitive Objects Using Pneumatic Sensing.” In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–10. CHI ’20. New York, NY, USA: Association for Computing Machinery.
Q
素材の制約は？ (FDM は無理) タッチ場所の対応づけは？ (ラベリングしておく) モデルの制約は？ (chamber が作れない場合は？) (記述なし)
どんなもの？
3Dプリントしたものをインタラクティブなものにする手法の提案 空気をアクチュエータとして利用し，組み立てやキャリブレーションの手間をできるだけ抑えることを目指した．
先行研究と比べてどこがすごい？
組み立てやキャリブレーション (プリント後の処理) を必要とせず，プリントしたらすぐに遊べる状態にする 先行研究では，ユーザ，オブジェクトごとにキャリブレーションが必要だったり，環境の変化に弱かったりする ⇒ キャリブレーションなどを必要としない手法
技術や手法のキモはどこ？
空気の穴を変えて，モデルの中を通すことで触った位置を取得できる． モデルの表面を変える必要がない．
機械学習のモデルは，3Dモデルに依存しない．
どうやって有効だと検証した？
様々な形態のオブジェクトを作り，タッチ検出の精度を調査 (90% 程度の精度) (10回中1回は誤検出するのをよしとするか・・・)
パラメータの検討
モデルの違い (?)
Distribution chamber
Bunny で 3種類の径のchamber (15, 20, 30mm) を作成してpressure の変化を比較大きな影響はなかったが，小さいとノイズが大きくなるので，30mm を採用
Tubes
diameter 5mm を採用 (できるだけ，補足して小さなオブジェクトにも対応したい) トレードオフ (3mm でもいいんだけど，穴をあけるのを保証できない)
各3つのモデルで，チューブの長さだけ異なるようにして試した． 特に大きな差は見られなかった．
ポリエチレンのチューブを連結して，長さを変えてみた． それでも圧力に大きな変化はなかった
最後に2m も試して，レイテンシがひどかったけど，検出はできた． versatility や scalability がある
OUTLETS
少なくとも 0.1m^2 のステップが必要
詰まりを避けるために, outlet 1mm まではチューブを太めに
Software
100 sample でセンサの値を区切って，平均と標準偏差を求める．標準偏差が実験的に決めた閾値を超えると，touch/release がされたと判定，で前の100sample と今の100sample の平均を比べて，高いならtouch, 低いなら release .
どの 穴かは，event より前の1000sample の平均をbaseline として，event 後の1000sample の平均で割った比を求める ⇒ drift を補うため
Machine Learning ⇒ outlet それぞれの mean と standard deviation を学習させる．(single instancing, svm with rbf kernel) 今の状態を渡すことで，抑えられているかが分かる的な感じ？
(同じモデルを利用)
Stanford bunny は 100% !
Application
議論はある？
次に読むべき論文は？