为了有效地与周围环境互动，机器人应该能够识别不同物体的特征，就像人类一样。 这将使他们能够更有效地掌握和管理对象，利用传感器收集的反馈来调整他们的掌握和操作策略。
考虑到这一点，世界各地的研究小组一直在努力开发技术，通过分析传感器收集的数据，使机器人有一种触觉，其中许多是基于深度学习体系结构的使用。 虽然其中一些方法是有希望的，但它们通常需要大量的训练数据，并且并不总是很好地推广到以前看不见的对象。
苏黎世E TH的研究人员最近推出了一种新的基于深度学习的策略，可以在不需要大量真实世界数据的情况下在机器人中实现触觉感知。 他们的方法，在ar Xiv上预先发表的一篇论文中概述，需要完全在模拟数据上训练深层神经网络。
“我们的技术从数据中学习如何预测物体在与传感表面接触时所施加的力的分布，”进行这项研究的研究人员之一卡洛·斯费尔拉扎告诉TechXplore。 “到目前为止，这些数据（按数万个数据点的顺序）需要在几个小时的实验装置中收集，这在时间和设备方面都很昂贵。 在这项工作中，我们完全在模拟中生成我们的数据，在现实世界中部署我们的技术时保持了较高的传感精度。”
在他们的实验中，Sferrazza和他的同事使用了他们用简单和低成本的组件制造的传感器。 该传感器由放置在软材料下面的标准摄像机组成，其中包含随机扩散的微小塑料粒子。
当一个力被施加到它的表面时，软材料变形并导致塑料颗粒移动。 然后由传感器的摄像机捕获并记录此运动。
Sferrazza解释说：“我们利用移动粒子产生的图像模式来提取引起材料变形的力的信息。” 通过将粒子密集地嵌入到材料中，我们可以获得极高的分辨率。 由于我们采用数据驱动的方法来解决这一任务，我们可以克服与软材料接触建模的复杂性，并以高精度估计这些力的分布。
从本质上讲，研究人员利用最先进的计算方法建立了传感器软材料和相机投影的模型。 然后，他们在模拟中使用这些模型，创建了一个由13，448幅合成图像组成的数据集，这是训练触觉感知算法的理想方法。 他们能够在模拟中为他们的触觉传感模型生成训练数据，这一事实是非常有利的，因为它阻止了他们在现实世界中收集和注释数据。
Sferrazza说：“我们还开发了一种转移学习技术，使我们能够在现实世界中生产的触觉传感器的多个实例上使用相同的模型，而不需要额外的数据。 这意味着每个传感器的生产成本变得更低，因为它们不需要额外的校准努力。
研究人员使用他们创建的合成数据集来训练基于视觉的触觉传感应用的神经网络体系结构，然后在一系列测试中评估其性能。 神经网络取得了显著的效果，对真实数据进行了准确的传感预测，即使它是在模拟上训练的。
Sferrazza说：“我们训练的量身定制的神经网络结构也显示了在其他情况下使用的非常有希望的泛化可能性，当应用于与我们模拟中使用的数据时，例如用于估计与任意形状的单个或多个对象的接触时。
在未来，由Sferrazza和他的同事开发的深度学习体系结构可以为机器人提供一种人工触觉，潜在地提高他们的抓取和操作技能。 此外，他们汇编的合成数据集可以用来训练其他触觉传感模型，也可以激励创建新的基于模拟的数据集。
Sferrazza说：“我们现在想在涉及到与复杂对象非常普遍的交互的任务中评估我们的算法，我们也在努力提高它们的准确性。” “我们认为，这种技术在应用于现实世界的机器人任务时将显示出它的优势，例如涉及精细操作易碎物体的应用，例如玻璃或鸡蛋。”