用于异构表面机器人主动触觉探索的触觉注意力贝叶斯模型

本研究致力于开发在未知结构环境中使用机械手进行表面主动触觉探索的策略。所提出方法的架构包含两个主要的贝叶斯模型，实现了系统的触觉注意力机制。模型 $\pi_{per}$ 通过整合从触觉传感数据中提取的顺应性和纹理特征，感知并区分不同类别的材料（触觉刺激）。模型 $\pi_{tar}$ 主动推断机器人系统接下来应探索的工作区区域，整合了任务信息、从感知到的触觉刺激图中永久更新的显著性和不确定性图，以及返回抑制机制。实验结果表明，贝叶斯模型 $\pi_{per}$ 可用于区分 10 种不同类别的材料，平均识别率高于 90%。实验证明了所提出模型的泛化能力。在仿真中，ATLAS 机器人能够跟随由两种不同材料构成的两个区域之间的不连续性，其偏差小于 1cm（30 次试验）。测试在具有 3 种不同不连续性配置的场景中进行。贝叶斯模型展示了管理关于表面结构的不确定性和传感噪声的能力，从而根据触觉感知做出正确的运动决策。