基于深度学习的基于视觉的触觉感知方法

为了与周围环境有效交互，机器人应该能够像人类一样通过触摸不同物体来识别它们的特征。通过使用传感器收集的反馈来调整他们的抓握和操纵策略，这将使他们能够更有效地握持和管理对象。

考虑到这一点，世界各地的研究小组一直在尝试开发可通过分析传感器收集的数据来使机器人具有触觉的技术，其中许多都是基于深度学习架构的使用。尽管其中一些方法很有希望，但它们通常需要大量的训练数据，并且无法始终很好地概括以前看不见的物体。

苏黎世联邦理工学院的研究人员最近推出了一种新的基于深度学习的策略，该策略可以在不需要大量真实数据的情况下在机器人中实现触觉传感。在arXiv上预先发表的一篇论文中概述了他们的方法，该方法需要完全在模拟数据上训练深度神经网络。

“我们的技术从数据中学习如何预测与传感表面接触的物体施加的力的分布，”进行这项研究的研究人员之一卡洛·斯费拉扎(CarloSferrazza)告诉TechXplore。“到目前为止，需要在几个小时的实验设置中收集这些数据(数万个数据点)，这在时间和设备上都是昂贵的。在这项工作中，我们完全在模拟，在现实世界中部署我们的技术时可保持较高的传感精度。”

在实验中，Sferrazza和他的同事使用了他们制造的带有简单且低成本组件的传感器。该传感器由置于软质材料下方的标准相机组成，该材料包含随机散布的微小塑料颗粒。

当对其表面施加力时，软材料会变形并导致塑料颗粒移动。然后，该运动由传感器的摄像头捕获并记录。

Sferrazza解释说：“我们利用由运动粒子产生的图像图案来提取有关导致材料变形的力的信息。”“通过将粒子密集地嵌入到材料中，我们可以获得极高的分辨率。由于我们采用数据驱动的方法来解决此任务，因此，我们可以克服建模与软材料接触的复杂性，并以较高的方式估算这些力的分布准确性。”