布里斯托大學的研究人員最近訓練了一種基于深度神經網絡的模型，以收集有關3-D對象的觸覺信息。在發(fā)表于《IEEE機器人與自動化》雜志的論文中，他們將深度學習技術應用于具有傳感功能的機器人指尖，并發(fā)現(xiàn)該技術可以推斷出有關周圍環(huán)境的更多信息。

進行這項研究的研究人員之一內森·勒波拉（Nathan Lepora）教授對TechXplore表示：“我們的總體想法是，當控制機器人與周圍環(huán)境進行物理交互時，人為地重新創(chuàng)造觸摸感。” “人類這樣做是不經意的，例如，當用手指在物體上刷手指以感知其形狀時。然而，其背后的計算卻令人驚訝地復雜。我們通過將深度學習應用于人工，在機器人上實現(xiàn)了這種類型的物理交互。類似于人類皮膚的指尖?！?/p>

Lepora教授近十年來一直在嘗試在機器人中重塑觸覺。在他以前的作品中，他使用了更傳統(tǒng)的機器學習技術，例如概率分類器。但是，他發(fā)現(xiàn)這些技術僅允許機器人執(zhí)行非常基本的任務，例如以緩慢的敲擊運動感覺簡單的2D形狀。

Lepora教授說：“這項新論文的突破在于，我們在自然復雜物體上使用的方法在三個維度上起作用，使指尖滑動得像人類一樣?！?“由于過去幾年在深度學習方面的進步，我們之所以能夠做到這一點?！?/p>

為機器人提供觸摸感可以幫助控制其手和指尖，從而使它們能夠估計與其接觸的對象或對象的一部分的形狀和紋理。例如，當機器人沿著一條邊緣在表面上滑動時，機器人可能能夠估算出邊緣的角度并相應地移動其機器人手指。

Lepora教授說：“深度學習使我們能夠構建從感覺數(shù)據到表面特征（例如邊緣角度）的可靠地圖。” “這很困難，因為在表面上滑動像人一樣柔軟的指尖會扭曲所收集的數(shù)據。以前，我們無法將這種失真與表面形狀分開，但是在這項工作中，我們成功地進行了深度卷積訓練神經網絡，其中包含觸覺數(shù)據失真的示例，這使我們能夠在幾分之一度內生成準確的表面角度估計?！?/p>

通過收集準確的表面角度估算值，Lepora教授及其同事設計的深度學習技術可以更好地控制機械手的指尖。將來，這種方法可以為機器人提供類似于人類的物理靈巧性，使他們可以根據與之交互的對象有效地調整其抓握和操縱策略。

到目前為止，研究人員已經通過將其與單個機器人指尖集成來證明了其技術的有效性。但是，將來可以將其應用于軟機器人的所有指尖和四肢，從而使其可以像人類一樣操作工具并完成操縱任務。這最終可能為開發(fā)更高效的機器人以在各種環(huán)境中部署鋪平道路，其中包括設計用于完成家務，在農場采摘農產品或滿足醫(yī)療機構中患者需求的機器人。

Lepora教授說：“我的實驗室還制作了3D打印的指尖和完整的機械手，并帶有觸覺感應，可以復制人的觸覺。” “在接下來的研究中，我們打算使用人工智能方法（例如本文中提出的方法）來研究與整個觸覺機器人手的靈巧互動，這將使機器人更有效地處理工具或其他物體。”