面向机器人触觉的不确定性感知深度学习：在贝叶斯触觉伺服控制中的应用
机器人学
2021-04-30 v1
摘要
本研究基于近期为机器人视觉引入的通用框架，探讨触觉机器人中的不确定性感知深度学习（DL）。在测试场景中，我们将光学触觉传感与 DL 结合，以估计边缘位姿，作为围绕各种二维测试物体进行伺服的反馈信号。我们证明，不确定性感知 DL 能够比确定性 DL 方法改善位姿估计。该系统估计与每次预测相关的不确定性，并将其与时间一致性一起通过卡尔曼滤波器改进预测，从而改善触觉伺服控制。机器人能够稳健地跟踪所有给出的轮廓形状，不仅将误差减小为原来的二分之一，而且消除了先前确定性网络引起的不良噪声行为，使轨迹更平滑。我们认为，随着触觉机器人领域在 DL 应用上的成熟，不确定性估计将成为复杂环境中物理交互任务控制的关键组成部分。
引用
@article{arxiv.2104.14184,
title = {Uncertainty-aware deep learning for robot touch: Application to Bayesian tactile servo control},
author = {Manuel Floriano Vazquez and Nathan F. Lepora},
journal= {arXiv preprint arXiv:2104.14184},
year = {2021}
}
备注
Accepted in ICRA 2021