Các nhà khoa học mang lại sự nhạy cảm cực độ cho ngón tay của robot

Một nhóm các nhà khoa học tại Viện Hệ thống Thông minh Max Planck (MPI-IS) đã giới thiệu một cảm biến haptic mềm mạnh mẽ dựa trên tầm nhìn máy tính và mạng nơ-ron sâu để ước tính nơi các vật thể tiếp xúc với cảm biến. Nó cũng có thể ước tính lực tác dụng lên cảm biến.

Nghiên cứu mới, được công bố trên Nature Machine Intelligence, sẽ giúp robot cảm nhận môi trường của chúng chính xác như con người và động vật.

Cảm biến hình ngón tay với khung xương

Cảm biến có hình dạng ngón tay và được làm từ một vỏ mềm được xây dựng xung quanh một khung xương nhẹ. Khung xương hoạt động giống như xương để ổn định mô ngón tay mềm, và nó được làm từ một elastomer trộn với các mảnh nhôm phản chiếu. Điều này tạo ra một màu xám giúp ngăn chặn ánh sáng bên ngoài xâm nhập. Bên trong ngón tay là một máy ảnh mắt cá 160 độ ghi lại hình ảnh màu sắc được chiếu sáng bởi đèn LED.

Hình dạng của mẫu màu bên trong cảm biến thay đổi tùy thuộc vào vật thể chạm vào vỏ cảm biến, và máy ảnh nhanh chóng ghi lại hình ảnh và cung cấp dữ liệu cho mạng nơ-ron sâu.

Mỗi thay đổi nhỏ về ánh sáng trong mỗi pixel được phát hiện bởi thuật toán, và trong một phần nhỏ của giây, mô hình học máy tạo ra bản đồ nơi ngón tay chạm vào vật thể. Nó cũng xác định cường độ lực và hướng lực.

Georg Martius là Trưởng nhóm Nghiên cứu Max Planck tại MPI-IS và trưởng nhóm Học tập Tự động.

“Chúng tôi đã đạt được hiệu suất cảm biến tuyệt vời này thông qua thiết kế cơ học sáng tạo của vỏ, hệ thống hình ảnh được thiết kế bên trong, thu thập dữ liệu tự động và học sâu tiên tiến,” Martius nói.

Huanbo Sun là sinh viên tiến sĩ của Martius.

“Cấu trúc lai độc đáo của chúng tôi với vỏ mềm bao quanh khung xương cứng đảm bảo độ nhạy và độ bền cao. Máy ảnh của chúng tôi có thể phát hiện даже những biến dạng nhỏ nhất của bề mặt từ một hình ảnh duy nhất,” Sun nói.

Theo Katherine J. Kuchenbecker, Giám đốc Bộ phận Trí tuệ Haptic tại MPI-IS, cảm biến mới sẽ chứng minh cực kỳ hữu ích.

“Cảm biến haptic mềm trước đây chỉ có diện tích cảm biến nhỏ, dễ vỡ và khó chế tạo, và thường không thể cảm nhận lực song song với da, điều cần thiết cho việc điều khiển robot như cầm một ly nước hoặc trượt một đồng tiền dọc theo bàn,” Kuchenbecker nói.

Dạy cảm biến để học

Để cảm biến có thể học, Sun đã phát triển một thử nghiệm tạo ra dữ liệu đào tạo cho mô hình học máy để học. Dữ liệu này giúp mô hình hiểu mối tương quan giữa sự thay đổi của pixel hình ảnh thô và lực tác dụng. Khoảng 200.000 phép đo được tạo ra từ thử nghiệm bằng cách thăm dò cảm biến xung quanh bề mặt của nó, và mô hình được đào tạo trong một ngày.

“Thiết kế phần cứng và phần mềm mà chúng tôi trình bày trong công việc của mình có thể được chuyển giao cho nhiều bộ phận robot khác nhau với các hình dạng và yêu cầu chính xác khác nhau. Kiến trúc học máy, đào tạo và quá trình suy luận đều chung và có thể được áp dụng cho nhiều thiết kế cảm biến khác,” Huanbo Sun nói.