Tac-VGNN：一种用于基于位姿触觉伺服的 Voronoi 图神经网络
机器人学
2023-03-07 v1 系统与控制
系统与控制
摘要
触觉位姿估计与触觉伺服是机器人触觉的基本能力。将深度学习模型应用于高分辨率光学触觉传感器可提供可靠且精确的位姿估计。鉴于图神经网络（GNN）近期的成功与 Voronoi 特征的有效性，我们开发了触觉 Voronoi 图神经网络（Tac-VGNN），以依托仿生光学触觉传感器（TacTip）实现可靠的基于位姿的触觉伺服。GNN 十分适合建模触觉标记剪切运动间的分布关系，而 Voronoi 图以与接触深度相关的基于面积的触觉特征对此加以补充。实验结果表明，相较于基于 CNN 的方法，Tac-VGNN 模型可显著提升图生成过程中的数据可解释性与模型训练效率；其沿垂直深度的位姿估计精度较无 Voronoi 特征的原始 GNN 提高 28.57%，并在真实表面跟随任务中以更平滑的机器人控制轨迹取得更优表现。更多项目细节请见我们的网站：https://sites.google.com/view/tac-vgnn/home
引用
@article{arxiv.2303.02708,
title = {Tac-VGNN: A Voronoi Graph Neural Network for Pose-Based Tactile Servoing},
author = {Wen Fan and Max Yang and Yifan Xing and Nathan F. Lepora and Dandan Zhang},
journal= {arXiv preprint arXiv:2303.02708},
year = {2023}
}
备注
7 pages, 10 figures, accepted by 2023 IEEE International Conference on Robotics and Automation (ICRA)