[論文レビュー] A Handheld Device for the In Situ Acquisition of Multimodal Tactile Sensing Data

Joshua Wade, Tapomayukh Bhattacharjee+1 more|arXiv (Cornell University)|Nov 10, 2015

Tactile and Sensory Interactions参考文献 3被引用数 4

ひとこと要約

本論文では、日常的な物体の自然な環境下で、力、振動、加速度、温度のマルチモーダルな触覚データを現地で収集可能なポータブルなハンドヘルドデバイスを提案する。このデバイスは、歯ブラシとカウンターの区別で100%の正確さを達成し、タオルとタオルラックの識別で95%の正確さを示した。これは、ロボットの触覚認識システムの高品質な学習データを取得する可能性を示している。

ABSTRACT

Multimodal tactile sensing could potentially enable robots to improve their performance at manipulation tasks by rapidly discriminating between task-relevant objects. Data-driven approaches to this tactile perception problem show promise, but there is a dearth of suitable training data. In this two-page paper, we present a portable handheld device for the efficient acquisition of multimodal tactile sensing data from objects in their natural settings, such as homes. The multimodal tactile sensor on the device integrates a fabric-based force sensor, a contact microphone, an accelerometer, temperature sensors, and a heating element. We briefly introduce our approach, describe the device, and demonstrate feasibility through an evaluation with a small data set that we captured by making contact with 7 task-relevant objects in a bathroom of a person's home.

研究の動機と目的

• データ駆動型のロボットの触覚認識における適切な学習データの不足に対処すること。
• 家庭などの自然な環境でマルチモーダルな触覚データを収集可能なポータブルで使いやすいデバイスを開発すること。
• 現実の相互作用において、タスク関連の物体からの触覚応答を効率的に収集すること。
• このデバイスを用いて正確な触覚的物体認識を支援するデータ収集の可能性を評価すること。
• 多様な触覚データを収集するスケーラブルな方法を提供し、ロボットの操作能力を向上させること。

提案手法

• デバイスは、布ベースの力センサー、接触マイクロホン、加速度センサー、温度センサー、加熱素子を統合し、マルチモーダルセンシングを実現している。
• Raspberry Pi 2 と 12ビットADCを用い、力、振動、加速度のサンプリング周波数を500 Hz、温度、熱伝達のサンプリング周波数を100 HzとしてUSBメモリに記録している。
• ADC出力の原始データは、参照センサー（LM35およびATI Mini45）を用いてキャリブレーションされた3次多項式フィットにより物理単位に変換された。
• 接触速度の推定には赤外線近接センサーとタイマーを、各物体の記録にはオンボードカメラを統合している。
• データ前処理では、時系列データを2100サンプル（接触前0.2秒から接触後4秒まで）に切り詰め、平均と分散で正規化し、次元削減のため15成分の主成分分析（PCA）を適用した。
• 連結されたマルチモーダル特徴に基づく物体ペア分類のため、5分割交差検証を用いた線形SVM分類器を用いた。

実験結果

リサーチクエスチョン

• RQ1 ハンドヘルドデバイスは、家庭などの現実の環境下で、タスク関連の物体からマルチモーダルな触覚データを効率的に収集できるか？
• RQ2 収集された触覚データは、タスク関連の物体（例：歯ブラシ vs. カウンター）を正確に区別できるか？
• RQ3 剛体と柔軟な物体との接触時、力、振動、加速度応答にどのような違いが生じるか？
• RQ4 マルチモーダルな触覚データは、ロボットの操作タスクにおける触覚認識をどの程度向上できるか？
• RQ5 このデバイスは、接触速度の変動がある複数回の試行において、一貫性があり再現可能なデータ収集を可能にするか？

主な発見

• デバイスは、家庭のバスルーム環境で7つのタスク関連の物体から、一貫性があり再現性のある試行でマルチモーダルな触覚データを効果的に収集した。
• より剛性が高く固定されたカウンターに接触した場合、力、振動、加速度の初期応答が、柔軟な歯ブラシに比べて大きくなり、急峻であった。
• SVM分類器は、歯ブラシとカウンターの区別で100%の正確さを達成し、全テストペアの中で最高の性能を示した。
• タオルとタオルラックの識別では95%の正確さを達成し、中程度に柔軟な物体に対しても優れた性能を示した。
• トイレのハンドルとトイレタンク、トイレ座席とトイレタンクのペアでは、両方で75%の正確さに低下し、類似したか低剛性の物体では課題があることが示された。
• 本研究では、15成分のPCAが97%以上のデータ分散を保持でき、分類に適した効果的な次元削減が可能であることが示された。