布里斯托爾大學的研究人員最近訓練出了一種基于深度神經網絡的模型來收集有關三維物體的觸覺信息。在他們發(fā)表在IEEE Robotics & Automation雜志上的論文中，他們將深度學習技術應用到一個具有傳感功能的機器人手指尖上，發(fā)現(xiàn)它可以推斷出更多關于周圍環(huán)境的信息。
"我們的總體想法是在控制機器人與周圍環(huán)境進行物理交互時，人工重現(xiàn)觸覺，"進行這項研究的研究人員之一Nathan Lepora教授說，"人類不需要思考就會這樣做，比如說，當手指觸碰在物體上感受物體的形狀時。然而，這背后的計算結果卻出奇的復雜。我們在機器人上實現(xiàn)了這種類型的物理交互，通過將深度學習應用到類似于人類皮膚的人工指尖上，實現(xiàn)了這種物理交互。"
Lepora教授在近十年前就開始研究在機器人身上重現(xiàn)觸覺，在他之前的工作中，他使用了更傳統(tǒng)的機器學習技術，比如概率分類器等。然而，他發(fā)現(xiàn)這些技術只能讓機器人執(zhí)行非?；镜娜蝿?，比如用緩慢的輕拍動作來感受簡單的二維圖形。
"這篇新論文中的突破在于，我們使用的方法可以在三維的自然復雜物體上工作，滑動指尖很像人類做的那樣，"Lepora教授說。"我們能夠做到這一點，是因為過去幾年來深度學習的進步。"
研究人員開發(fā)的觸覺傳感器
為機器人提供觸覺，可以幫助它們的手和指尖控制，使它們能夠估計出所接觸到的物體或物體的形狀和質地。例如，當沿著邊緣滑過表面時，機器人能夠估計出邊緣的角度，并相應地移動其機器人手指。
"深度學習使我們能夠從感官數(shù)據到邊緣角度等表面特征構建出可靠的地圖，"Lepora教授說。"這很困難，因為在表面上滑動一個柔軟的類似人類的指尖會扭曲它所收集的數(shù)據。此前，我們無法將這種扭曲與表面的形狀分開，但在這項工作中，我們通過用扭曲的觸覺數(shù)據的例子訓練深度卷積神經網絡，成功地訓練出了一個深度卷積神經網絡，使我們能夠產生準確的表面角度估計，準確到幾分之一的程度。"
通過收集精確的表面角度估計，Lepora教授及其同事設計的深度學習技術能夠更好地控制機器人指尖。在未來，這種方法可以為機器人提供類似于人類的物理靈巧性，使它們能夠根據與之交互的對象有效地調整抓取和操縱策略。
到目前為止，研究人員已經通過將其與單個機器人的指尖進行整合，證明了他們的技術的有效性。不過，在未來，它可以應用于軟性機器人的所有指尖和四肢，讓它以類似于人類的方式處理工具和完成操縱任務。這最終可以為開發(fā)出更高效的機器人鋪平道路，將其應用于各種環(huán)境中，包括設計用于完成家務，在農場中挑選農產品或在醫(yī)療環(huán)境中照顧病人的機器人。
"我的實驗室還制造了3D打印的指尖和具有觸覺感應的完整機器人手，可以復制人類的觸覺，"Lepora教授說。"在接下來的研究中，我們打算使用人工智能方法，比如我們論文中提出的人工智能方法來研究與整個觸覺機器人手的靈巧互動，這將使機器人能夠更有效地處理工具或其他物體。"
