[論文レビュー] Robotic Tactile Perception of Object Properties: A Review

Shan Luo, João Bimbo+2 more|arXiv (Cornell University)|Nov 10, 2017

Tactile and Sensory Interactions参考文献 128被引用数 13

ひとこと要約

本レビューでは、形状、素材、姿勢などの物体特性に関するロボットの触覚的知覚を、触覚センシング技術、認識手法、センサーフュージョン戦略の分析を通じて概説する。深層学習が触覚データ解釈における役割を高めつつも、データ収集、ラベリング、リアルタイム配備における課題を特定している。

ABSTRACT

Touch sensing can help robots understand their sur- rounding environment, and in particular the objects they interact with. To this end, roboticists have, in the last few decades, developed several tactile sensing solutions, extensively reported in the literature. Research into interpreting the conveyed tactile information has also started to attract increasing attention in recent years. However, a comprehensive study on this topic is yet to be reported. In an effort to collect and summarize the major scientific achievements in the area, this survey extensively reviews current trends in robot tactile perception of object properties. Available tactile sensing technologies are briefly presented before an extensive review on tactile recognition of object properties. The object properties that are targeted by this review are shape, surface material and object pose. The role of touch sensing in combination with other sensing sources is also discussed. In this review, open issues are identified and future directions for applying tactile sensing in different tasks are suggested.

研究の動機と目的

• 最新の触覚センシング技術とそのロボット知覚への応用を体系的にレビューすること。
• 素材、形状、姿勢の物体特性認識における触覚データの解釈に関する主な課題を特定すること。
• 視覚や他のモodalitiesと組み合わせた触覚センシングの統合による、より良い知覚と制御の実現を検討すること。
• 深層学習が触覚的知覚において果たす役割を分析し、データ収集、ラベリング、リアルタイム性能における制限を強調すること。
• ロボット工学における触覚的知覚のための未解決問題と今後の研究方向性を提示すること。

提案手法

• センシング原理、材料、変換メカニズムに基づいて触覚センサーを分類する。
• 素材、形状、姿勢のための触覚認識手法をレビューする。これには、局所パターンベース（例：Bag-of-Features）と、運動学的および触覚の統合によるグローバル形状推定が含まれる。
• 視覚、触覚、自己認識（プロ prioception）を統合したセンサーフュージョン戦略を分析し、物体の局所化と認識の向上を図る。
• 深層学習の触覚的知覚への応用を評価する。特に、畳み込みニューラルネットワーク（CNNs）による形状および硬さ認識の応用を強調し、ドメイン適応と教師なし学習の議論を行う。
• データ収集の課題と、標準化された触覚データセットの不足を検討し、より大規模で多様性に富み、適切にラベル付けされたヒューマンデータセットの必要性を強調する。
• マルチモーダル知覚システムにおける触覚データの優先順位を定めるためのセンサーハイアラルキー枠組みを提案する。

実験結果

リサーチクエスチョン

• RQ1 現在の触覚センシング技術は何か。それらは性能や応用においてどのように異なるか。
• RQ2 触覚センシングシステムは、素材、形状、姿勢といった物体特性の認識において、どの程度効果的か。
• RQ3 視覚や他のモダリティと効果的に統合することで、ロボットの知覚がどのように向上するか。
• RQ4 触覚的知覚に深層学習を適用する際の主な制限は何であり、それらはどのように克服できるか。
• RQ5 触覚データ収集、ラベリング、ベンチマークにおける主要な未解決課題は何か。

主な発見

• 触覚センシングは、微細なテクスチャや柔軟性の分析において、視覚よりも優れた情報を提供し、素材や形状の知覚に不可欠である。
• Bag-of-Featuresのような局所的触覚パターン手法は素材認識に効果的だが、3次元空間的文脈を欠いているため、グローバル形状統合の必要性が示唆される。
• アレイ型触覚センサーは、1点センサーに比べてより頑健な物体局所化を可能にするが、2次元接触パターンを3次元物体幾何にマッピングする課題は依然として残っている。
• 視覚と統合したセンサーフュージョンは、視覚データが曇っている、または遮蔽されている場合に特に、物体の局所化精度と耐障害性を向上させる。
• 深層学習モデル、特にCNNsは、触覚的形状および硬さ認識において優れた性能を示すが、高い計算コストとデータ不足の問題を抱えている。
• 触覚的知覚のための真値ラベリングは依然として主要なボトル neck であり、現在の手法は小規模で偏りのある人為的アノテーションに依存している。これにより、教師なし学習およびドメイン適応型学習のアプローチの必要性が強調される。