一种基于深度神经网络的模型，以收集有关3-D对象的触觉信息

布里斯托大学的研究人员最近训练了一种基于深度神经网络的模型，以收集有关3-D对象的触觉信息。在发表于《IEEE机器人与自动化》杂志的论文中，他们将深度学习技术应用于具有传感功能的机器人指尖，并发现该技术可以推断出有关周围环境的更多信息。

进行这项研究的研究人员之一内森·勒波拉（Nathan Lepora）教授对TechXplore表示：“我们的总体想法是，当控制机器人与周围环境进行物理交互时，人为地重新创造触摸感。” “人类这样做是不经意的，例如，当用手指在物体上刷手指以感知其形状时。然而，其背后的计算却令人惊讶地复杂。我们通过将深度学习应用于人工，在机器人上实现了这种类型的物理交互。类似于人类皮肤的指尖。”

Lepora教授近十年来一直在尝试在机器人中重塑触觉。在他以前的作品中，他使用了更传统的机器学习技术，例如概率分类器。但是，他发现这些技术仅允许机器人执行非常基本的任务，例如以缓慢的敲击运动感觉简单的2D形状。

Lepora教授说：“这项新论文的突破在于，我们在自然复杂物体上使用的方法在三个维度上起作用，使指尖滑动得像人类一样。” “由于过去几年在深度学习方面的进步，我们之所以能够做到这一点。”

为机器人提供触摸感可以帮助控制其手和指尖，从而使它们能够估计与其接触的对象或对象的一部分的形状和纹理。例如，当机器人沿着一条边缘在表面上滑动时，机器人可能能够估算出边缘的角度并相应地移动其机器人手指。

Lepora教授说：“深度学习使我们能够构建从感觉数据到表面特征（例如边缘角度）的可靠地图。” “这很困难，因为在表面上滑动像人一样柔软的指尖会扭曲所收集的数据。以前，我们无法将这种失真与表面形状分开，但是在这项工作中，我们成功地进行了深度卷积训练神经网络，其中包含触觉数据失真的示例，这使我们能够在几分之一度内生成准确的表面角度估计。”

通过收集准确的表面角度估算值，Lepora教授及其同事设计的深度学习技术可以更好地控制机械手的指尖。将来，这种方法可以为机器人提供类似于人类的物理灵巧性，使他们可以根据与之交互的对象有效地调整其抓握和操纵策略。

到目前为止，研究人员已经通过将其与单个机器人指尖集成来证明了其技术的有效性。但是，将来可以将其应用于软机器人的所有指尖和四肢，从而使其可以像人类一样操作工具并完成操纵任务。这最终可能为开发更高效的机器人以在各种环境中部署铺平道路，其中包括设计用于完成家务，在农场采摘农产品或满足医疗机构中患者需求的机器人。

Lepora教授说：“我的实验室还制作了3D打印的指尖和完整的机械手，并带有触觉感应，可以复制人的触觉。” “在接下来的研究中，我们打算使用人工智能方法（例如本文中提出的方法）来研究与整个触觉机器人手的灵巧互动，这将使机器人更有效地处理工具或其他物体。”