科学家为机器人带来极高的指尖灵敏度

马克斯·普朗克智能系统研究所 (MPI-IS) 的一组科学家推出了一种强大的软触觉传感器，该传感器依靠计算机视觉和深度神经网络来估计物体与传感器接触的位置。 它还可以估计施加的力有多大。

这项新研究发表于 自然机器智能，将帮助机器人像人类和动物一样准确地感知环境。

带骨架的拇指形传感器

该传感器呈拇指形状，由围绕轻质骨架的软壳制成。 骨架的作用与骨骼相同，可稳定柔软的手指组织，由混合有反光铝片的弹性体制成。 这会产生一种灰色的颜色，防止外部光线进入。 手指内部有一个 160 度鱼眼摄像头，可以记录 LED 照射的彩色图像。

传感器内部颜色图案的外观根据接触传感器外壳的物体而变化，相机快速记录图像并向深度神经网络提供数据。

每个像素中光线的每一个微小变化都会被算法检测到，并且在不到一秒的时间内，机器学习模型就会绘制出手指与物体接触的位置。 它还决定了力的强度和力的方向。

Georg Martius 是 MPI-IS 马克斯·普朗克研究组组长兼自主学习组组长。

“我们通过外壳的创新机械设计、内部定制的成像系统、自动数据收集和尖端的深度学习实现了这种出色的传感性能，”Martius 说。

孙焕波是Martius的博士。 学生。

“我们独特的软壳混合结构包裹着坚硬的骨架，确保了高灵敏度和坚固性。 我们的相机甚至可以从一张图像中检测到表面最轻微的变形，”孙说。

MPI-IS 触觉智能部门主管 Katherine J. Kuchenbecker 表示，事实证明，新传感器非常有用。

“以前的软触觉传感器只有很小的传感区域，非常脆弱且难以制造，并且通常无法感受到平行于皮肤的力，而这对于机器人操作（例如拿着一杯水或沿着桌子滑动硬币）至关重要。”库亨贝克尔说。

教传感器学习

为了让传感器进行学习，Sun 开发了一个测试平台，可以生成用于机器学习模型学习的训练数据。 这些数据有助于模型了解原始图像像素的变化与所施加的力之间的相关性。 测试台探测传感器表面周围生成了大约 200,000 个测量值，模型在一天内完成了训练。

“我们在工作中提出的硬件和软件设计可以转移到具有不同形状和精度要求的各种机器人零件上。 机器学习架构、训练和推理过程都是通用的，可以应用于许多其他传感器设计。”孙焕波说。