面向机器人触觉的注意力：用于鲁棒仿真到真实触觉控制的触觉显著性预测
机器人学
2023-08-03 v2 人工智能
摘要
高分辨率触觉感知可在富含接触的机器人任务中提供关于局部接触的准确信息。然而，此类任务在非结构化环境中的部署仍缺乏充分研究。为提升非结构化环境中触觉机器人控制的鲁棒性，我们提出并研究一个新概念：受神经科学中人触觉注意力机制与计算机视觉中视觉显著性预测问题启发而来的机器人触觉的“触觉显著性”。类比视觉显著性，该概念涉及识别触觉传感器所捕获触觉图像中的关键信息。虽然视觉显著性数据集通常由人工标注，但由于触觉图像模式反直觉，手动标注颇具挑战。为应对此挑战，我们提出一种由三个互连网络组成的新方法：1）接触深度网络（ConDepNet），生成接触深度图以定位含目标与噪声特征的真实触觉图像中的形变；2）触觉显著性网络（TacSalNet），对输入接触深度图预测描述目标区域的触觉显著性图；3）触觉噪声生成器（TacNGen），生成噪声特征以训练TacSalNet。在存在干扰物下的接触位姿估计与边缘跟踪实验结果表明，可从真实触觉图像准确预测目标特征。总体而言，我们的触觉显著性预测方法在含未知干扰物的环境中给出了鲁棒的仿真到真实触觉控制。项目页：https://sites.google.com/view/tactile-saliency/。
引用
@article{arxiv.2307.14510,
title = {Attention for Robot Touch: Tactile Saliency Prediction for Robust Sim-to-Real Tactile Control},
author = {Yijiong Lin and Mauro Comi and Alex Church and Dandan Zhang and Nathan F. Lepora},
journal= {arXiv preprint arXiv:2307.14510},
year = {2023}
}
备注
Accepted by IROS 2023