Capacitive proximity sensors have been widely used in human-robot interaction, but suffer from the problem of the imperfect measurement accuracy in the nonlinear detection range. Meanwhile, sensor calibration makes the measurement tedious, time consuming, and is difficult to be used in 3D positioning. In this paper, we use a hand as the sensing target and propose a new distance estimation and positioning method, which combines with capacitive sensing configurations of a sensor array and machine learning. Fourteen sensing configurations are designed to generate 14 capacitive sensors to detect the target, and the capacitances are used as the input vector of the machine learning models. We compare the four machine learning algorithms (i.e. fitting method, support vector regression (SVR), radial basis function (RBF) network and BP neural network (BPNN)) for hand distance estimation. The experimental results show the RBF offers the best performance that the root mean squared error (RMSE), mean absolute error (MAE) and mean relative error (MRE) are 0.59 cm, 0.45 cm and 5.32%. Due to the lack of a proper 3D positioning device to verify the target positions, all tests for positioning are grounded on the simulation data using COMSOL, which can mimic the real world applications with high accuracy. The testing results are compared regarding the use of a Y-shaped sensor arrangement, and show that our proposed method performs better than the method with a Y-shaped sensor arrangement, the accuracy is improved by more than 98.8% and the BPNN model achieves the highest accuracy.

电容式接近传感器已被广泛用于人机交互中，但是在非线性检测范围内存在测量精度不完善的问题。同时，传感器校准使测量繁琐，费时，并且难以用于3D定位。在本文中，我们以手作为感应目标，并提出了一种新的距离估计和定位方法，该方法结合了传感器阵列的电容式感应配置和机器学习。设计了14个传感配置以生成14个电容传感器来检测目标，并且将电容用作机器学习模型的输入向量。我们比较了四种机器学习算法（即拟合方法，支持向量回归（SVR），径向基函数（RBF）网络和BP神经网络（BPNN））进行手距离估计。实验结果表明，RBF的最佳性能是均方根误差（RMSE），平均绝对误差（MAE）和平均相对误差（MRE）分别为0.59 cm，0.45 cm和5.32％。由于缺少适当的3D定位设备来验证目标位置，因此所有的定位测试都基于使用COMSOL的模拟数据，它可以高精度地模拟现实世界中的应用。对使用Y形传感器布置的测试结果进行了比较，结果表明我们提出的方法比使用Y形传感器布置的方法性能更好，准确性提高了98.8％以上，并且BPNN模型实现了最高的精度。实验结果表明，RBF的最佳性能是均方根误差（RMSE），平均绝对误差（MAE）和平均相对误差（MRE）分别为0.59 cm，0.45 cm和5.32％。由于缺少适当的3D定位设备来验证目标位置，因此所有的定位测试都基于使用COMSOL的模拟数据，它可以高精度地模拟现实世界中的应用。对使用Y形传感器布置的测试结果进行了比较，结果表明我们提出的方法比使用Y形传感器布置的方法性能更好，准确性提高了98.8％以上，并且BPNN模型实现了最高的精度。实验结果表明，RBF的最佳性能是均方根误差（RMSE），平均绝对误差（MAE）和平均相对误差（MRE）分别为0.59 cm，0.45 cm和5.32％。由于缺少适当的3D定位设备来验证目标位置，因此所有的定位测试都基于使用COMSOL的模拟数据，它可以高精度地模拟现实世界中的应用。对使用Y形传感器布置的测试结果进行了比较，结果表明我们提出的方法比使用Y形传感器布置的方法性能更好，准确性提高了98.8％以上，并且BPNN模型实现了最高的精度。由于缺少适当的3D定位设备来验证目标位置，因此所有的定位测试都基于使用COMSOL的模拟数据，它可以高精度地模拟现实世界中的应用。对使用Y形传感器布置的测试结果进行了比较，结果表明我们提出的方法比使用Y形传感器布置的方法性能更好，准确性提高了98.8％以上，并且BPNN模型实现了最高的精度。由于缺少适当的3D定位设备来验证目标位置，因此所有的定位测试都基于使用COMSOL的模拟数据，它可以高精度地模拟现实世界中的应用。对使用Y形传感器布置的测试结果进行了比较，结果表明我们提出的方法比使用Y形传感器布置的方法性能更好，准确性提高了98.8％以上，并且BPNN模型实现了最高的精度。