TaSA：用于改善抓取内操作的两阶段触觉感觉衰减深度预测学习

人类可以实现多样化的手内操作，例如捏取物体和使用工具，这通常涉及物体与多个手指的同时接触。这对机器人手来说仍然是一个悬而未决的问题，因为这种灵巧操作需要区分由自身接触产生的触觉和由外部接触产生的触觉。否则，由于接触/碰撞会导致物体/机器人损坏。事实上，大多数方法完全忽略自身接触，通过约束运动来避免/忽略接触期间的自身触觉信息。虽然这降低了复杂性，但也限制了对自身接触不可避免的现实世界场景的泛化能力。人类通过自我触觉感知克服了这一挑战，利用预测机制来预期自身运动产生的触觉后果，这一原理称为感觉衰减，即神经系统区分可预测的自我触觉信号，使新的物体刺激作为相关信息突显出来。受此启发，我们引入了TaSA，一个两阶段的深度预测学习框架。在第一阶段，TaSA显式学习自身接触动力学，模拟机器人自身动作如何产生触觉反馈。在第二阶段，这个学习到的模型被整合到运动学习阶段，以在操作过程中强调物体接触信号。我们在需要精细触觉辨别的一组插入任务上评估了TaSA：将铅笔芯插入自动铅笔、将硬币插入投币口以及将回形针固定到一张纸上，涉及各种方向、位置和尺寸。在所有任务中，使用TaSA训练的策略比基线方法实现了显著更高的成功率，这表明基于感觉衰减的、具有自身接触的结构化触觉感知对于灵巧机器人操作至关重要。