基于触觉变形场反馈的学习型滑移检测与严重程度评估框架

安全地操作物体和避免滑移是机器人操作中的基本挑战，然而传统技术通常将滑移问题简化为二元事件。我们的研究提出了一个既能识别滑移事件又能测量其严重程度的框架。我们引入了一组基于GelSight Mini传感器捕获的触觉变形数据详细矢量场分析的特征。两个不同的机器学习模型使用这些特征：一个专注于滑移检测，另一个评估滑移的严重程度，即物体相对于传感器表面的滑移速度。我们的滑移检测模型达到了92%的平均准确率，滑移严重程度估计模型对未见过的物体表现出0.6 cm/s的平均绝对误差（MAE）。为了展示该框架的协同方法，我们在一个触觉反馈引导的垂直滑动任务中同时使用了这两个模型。利用滑移检测的高准确率，我们将其作为基础和校正模型，并将滑移严重程度估计集成到反馈控制回路中，以在不进行过度补偿的情况下处理滑移。