基于图卷积网络与分布式触觉传感器的多指手中不同物体属性的操作
机器人学
2022-05-10 v1
摘要
多指手可像人类一样用于完成许多灵巧操作任务，触觉感知可增强对各类物体的操作稳定性。然而，多指手上的触觉传感器具有多种尺寸与形状。卷积神经网络（CNN）可用于处理触觉信息，但多指手的信息需要任意预处理，因为 CNN 要求矩形输入，这可能导致不稳定结果。因此，如何处理此类复杂形状的触觉信息并将其用于习得操作技能仍是一个开放问题。本文提出一种基于图卷积网络（GCN）的控制方法，从具有复杂传感器排布的触觉数据中提取测地特征。此外，将物体属性标签输入 GCN 以调整手中操作运动。分布式三轴触觉传感器安装于 Allegro 手的指尖、指节和手掌，共产生 1152 个触觉测量值。训练数据通过数据手套采集，以将人类灵巧操作直接迁移至机器人手。GCN 在手中操作中取得了高成功率。我们还确认，当向 GCN 提供正确物体标签时，易碎物体变形更小。用 PCA 可视化 GCN 激活时，我们验证了网络习得了测地特征。即使在实验者拉拽被抓物体以及面对未训练物体时，我们的方法也实现了稳定操作。
引用
@article{arxiv.2205.04169,
title = {Multi-Fingered In-Hand Manipulation with Various Object Properties Using Graph Convolutional Networks and Distributed Tactile Sensors},
author = {Satoshi Funabashi and Tomoki Isobe and Fei Hongyi and Atsumu Hiramoto and Alexander Schmitz and Shigeki Sugano and Tetsuya Ogata},
journal= {arXiv preprint arXiv:2205.04169},
year = {2022}
}
备注
Accepted at ICRA 2022 and RA-Letter