科学家将极端手指灵敏度带到机器人

马克斯·普朗克智能系统研究所（Max Planck Institute for Intelligent Systems，MPI-IS）的科学家团队推出了一个强大的软触觉传感器，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大小。

该研究发表在 Nature Machine Intelligence 上，将帮助机器人像人类和动物一样准确地感知环境。

带有骨架的拇指形传感器

传感器的形状像拇指，由一个柔软的外壳组成，外壳内有一个轻量级的骨架。骨架的作用与骨头类似，稳定柔软的手指组织，由弹性体与反光铝片混合而成，形成灰色，防止外部光线进入。手指内有一个160度的鱼眼摄像头，记录由LED照亮的彩色图像。

传感器外壳接触到的物体不同，传感器内部的颜色模式也会改变，摄像头快速记录图像并向深度神经网络提供数据。

算法检测每个像素的微小光变化，仅需一小部分时间，机器学习模型就能绘制出手指与物体接触的位置，并确定力大小和方向。

乔治·马尔蒂乌斯（Georg Martius）是马克斯·普朗克研究小组负责人，MPI-IS的自治学习小组负责人。

“我们通过外壳的创新机械设计、内部成像系统、自动数据收集和最先进的深度学习实现了这种优秀的感知性能，”马尔蒂乌斯说。

黄博（Huanbo Sun）是马尔蒂乌斯的博士生。

“我们的独特混合结构由柔软的外壳包围刚性骨架，确保了高灵敏度和强壮性。我们的摄像头可以从单个图像中检测到表面甚至最微小的变形，”黄博说。

根据MPI-IS触觉智能部门主任凯瑟琳·J·库欣贝克（Katherine J. Kuchenbecker）的说法，这些新传感器将非常有用。

“以前的软触觉传感器只有小的感知区域，精致易碎，制造困难，通常无法感知与皮肤平行的力，这对于机器人操作，如拿着一杯水或在桌子上滑动一枚硬币至关重要，”库欣贝克说。

教导传感器学习

为了使传感器能够学习，黄博开发了一个测试平台，生成机器学习模型的训练数据，以了解原始图像像素变化与施加的力之间的相关性。在传感器表面周围生成了大约20万个测量值，模型在一天内训练完成。

“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部件。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，”黄博说。