基于分布法向与剪切力的触摸手势深度学习分类
机器人学
2022-10-04 v1 人机交互
摘要
当人类通过触摸与另一智能体（如人、宠物或机器人）进行社交互动时，他们会施加不同大小、方向、位置、接触面积与持续时间的力。虽然先前关于触摸手势识别的研究集中于法向力的时空分布，我们假设加入剪切力将实现更可靠的分类。我们提出了一种柔软、灵活的皮肤，其带有用于人或机器人手臂的三轴触觉传感器阵列。我们通过用户研究用它收集了13类触摸手势的数据，并训练卷积神经网络（Convolutional Neural Network, CNN）从记录数据中学习时空特征。该网络使用法向与剪切数据达到了74%的识别准确率，而仅使用法向力数据时为66%。加入分布式剪切数据使13类触摸手势中11类的分类准确率得到提升。
引用
@article{arxiv.2210.00135,
title = {Deep Learning Classification of Touch Gestures Using Distributed Normal and Shear Force},
author = {Hojung Choi and Dane Brouwer and Michael A. Lin and Kyle T. Yoshida and Carine Rognon and Benjamin Stephens-Fripp and Allison M. Okamura and Mark R. Cutkosky},
journal= {arXiv preprint arXiv:2210.00135},
year = {2022}
}