研究人員推出了一種新的基于深度學習的策略

為了與周圍環(huán)境有效交互，機器人應該能夠像人類一樣通過觸摸不同物體來識別它們的特征。通過使用傳感器收集的反饋來調(diào)整他們的抓握和操縱策略，這將使他們能夠更有效地抓握和管理對象。

考慮到這一點，全世界的研究小組一直在嘗試開發(fā)可通過分析傳感器收集的數(shù)據(jù)來使機器人具有觸覺的技術，其中許多都是基于深度學習架構的使用。盡管其中一些方法很有希望，但它們通常需要大量的訓練數(shù)據(jù)，并且無法始終很好地概括以前沒有學習過的物體。

蘇黎世聯(lián)邦理工學院的研究人員最近推出了一種新的基于深度學習的策略，該策略可以在不需要大量真實數(shù)據(jù)的情況下在機器人中實現(xiàn)觸覺傳感。在arXiv上預先發(fā)表的一篇論文中概述了他們的方法，該方法需要完全在模擬數(shù)據(jù)上訓練深度神經(jīng)網(wǎng)絡。

進行這項研究的研究人員之一卡洛·斯費拉扎（Carlo Sferrazza）說：“我們的技術從數(shù)據(jù)中學習如何預測與傳感表面接觸的物體施加的力的分布，到目前為止，這些數(shù)據(jù)（成千上萬個數(shù)據(jù)點）需要在幾個小時的實驗設置中收集，這在時間和設備方面都是昂貴的。在這項工作中，我們完全在模擬，在現(xiàn)實世界中部署我們的技術時可保持較高的傳感精度?！?/p>

在實驗中，Sferrazza和他的同事使用他們制造的帶有簡單且低成本組件的傳感器，該傳感器由置于軟質(zhì)材料下方的標準相機組成，該材料包含隨機散布的微小塑料顆粒。

當對其表面施加力時，軟材料會變形并導致塑料顆粒移動，然后，該運動由傳感器的攝像頭捕獲并記錄。

Sferrazza解釋說：“我們利用由移動粒子產(chǎn)生的圖像圖案來提取有關導致材料變形的力的信息。通過將粒子密集地嵌入到材料中，我們可以獲得極高的分辨率。由于我們采用數(shù)據(jù)驅(qū)動的方法來解決此任務，因此，我們可以克服建模與軟材料接觸的復雜性，并以較高的方式估算這些力的分布準確性?！?/p>

本質(zhì)上，研究人員使用最新的計算方法創(chuàng)建了傳感器的軟材料和相機投影的模型。然后，他們在仿真中使用了這些模型，以創(chuàng)建包含13448張合成圖像的數(shù)據(jù)集，非常適合訓練觸覺感應算法。他們在仿真中為其觸覺感應模型生成訓練數(shù)據(jù)這一事實方面具有極大的優(yōu)勢，因為這避免了他們不得不在現(xiàn)實世界中收集和注釋數(shù)據(jù)。

Sferrazza說：“我們還開發(fā)了一種轉(zhuǎn)移學習技術，使我們可以在現(xiàn)實世界中生產(chǎn)的觸覺傳感器的多個實例上使用相同的模型，而無需其他數(shù)據(jù)。這意味著每個傳感器的生產(chǎn)成本變得更低，因為它們不需要額外的校準工作?！?/p>

研究人員使用他們創(chuàng)建的綜合數(shù)據(jù)集來訓練基于視覺的觸覺應用的神經(jīng)網(wǎng)絡架構，然后通過一系列測試評估其性能。即使經(jīng)過模擬訓練，神經(jīng)網(wǎng)絡也取得了非凡的結果，可以對真實數(shù)據(jù)進行準確的感測預測。

“當我們訓練的量身定制的神經(jīng)網(wǎng)絡體系結構應用于與我們的模擬中所使用的數(shù)據(jù)完全不同的數(shù)據(jù)時，例如在估計與任意一個或多個對象的接觸時，也顯示出非常有希望的泛化可能性，可用于其他情況形狀?！?Sferrazza說。

由Sferrazza和他的同事開發(fā)的深度學習體系結構可以為機器人提供人為的觸摸感，從而有可能增強其抓握和操縱技能。此外，他們編輯的綜合數(shù)據(jù)集可用于訓練其他模型以進行觸覺感測，或啟發(fā)創(chuàng)建新的基于仿真的數(shù)據(jù)集。

Sferrazza說：“我們現(xiàn)在要在涉及與復雜對象的非常普通的交互的任務中評估我們的算法，并且我們也在努力提高其準確性。我們認為這項技術在應用于現(xiàn)實世界的機器人任務時將顯示出其優(yōu)勢，例如對易碎物體（例如玻璃或雞蛋）進行精細操縱的應用。”