基于软多面体网络的本体感知学习
机器人学
2024-07-30 v2 机器学习
摘要
本体感知是通过运动神经元检测肢体姿态的“第六感”。它需要在肌肉骨骼系统与感觉受体之间自然集成，这对于旨在以低成本实现轻量、自适应和灵敏设计的现代机器人而言具有挑战性。在此，我们提出具有嵌入式视觉用于物理交互的软多面体网络，能够通过学习动力学特征实现自适应运动觉与粘弹性本体感知。该设计被动适应全向交互，由内部嵌入的微型高速运动跟踪系统视觉捕获以进行本体感知学习。结果表明，该软网络在动态交互中能以0.25/0.24/0.35 N和0.025/0.034/0.006 Nm的精度推断实时六维力与力矩。我们还在静态适应期间通过添加蠕变与松弛修正项将粘弹性纳入本体感知以优化预测结果。所提出的软网络结合了设计简洁、全向适应和高精度本体感知传感，使其成为机器人领域一种通用且低成本的解决方案，具有超过100万次使用周期，可用于灵敏竞争性抓取和基于触摸的几何重建等任务。本研究为软体机器人在自适应抓取、软操作与人机交互中的视觉本体感知提供了新见解。
引用
@article{arxiv.2308.08538,
title = {Proprioceptive Learning with Soft Polyhedral Networks},
author = {Xiaobo Liu and Xudong Han and Wei Hong and Fang Wan and Chaoyang Song},
journal= {arXiv preprint arXiv:2308.08538},
year = {2024}
}
备注
20 pages, 10 figures, 2 tables, Published in the International Journal of Robotics Research