[论文解读] Inferring Object Properties from Incidental Contact with a Tactile-Sensing Forearm

Tapomayukh Bhattacharjee, James M. Rehg+1 more|arXiv (Cornell University)|Sep 17, 2014

Robot Manipulation and Learning参考文献 20被引用 9

一句话总结

本文提出使用隐马尔可夫模型（HMMs）从机器人手臂运动期间的偶然触觉接触中推断物体属性——如刚性（刚性与柔软）和稳定性（固定与可移动）——通过分析来自整条手臂触觉传感前臂的低维特征（最大力、接触面积、接触运动），该方法在交叉验证中实现了高准确率，并能有效泛化至新的速度和关节刚度，其对运动变化的鲁棒性优于先前的方法。

ABSTRACT

Abstract—Whole-arm tactile sensing enables a robot to sense properties of contact across its entire arm. By using this large sensing area, a robot has the potential to acquire useful infor-mation from incidental contact that occurs while performing a task. Within this paper, we demonstrate that data-driven methods can be used to infer mechanical properties of objects from incidental contact with a robot’s forearm. We collected data from a tactile-sensing forearm as it made contact with various objects during a simple reaching motion. We then used hidden Markov models (HMMs) to infer two object properties (rigid vs. soft and fixed vs. movable) based on low-dimensional features of time-varying tactile sensor data (maximum force, contact area, and contact motion). A key issue is the extent to which data-driven methods can generalize to robot actions that differ from those used during training. To investigate this issue, we developed an idealized mechanical model of a robot with a compliant joint making contact with an object. This model provides intuition for the classification problem. We also conducted tests in which we varied the robot arm’s velocity and joint stiffness. We found that, in contrast to our previous methods [1], multivariate HMMs achieved high cross-validation accuracy and successfully generalized what they had learned to new robot motions with distinct velocities and joint stiffnesses.

研究动机与目标

• 通过在任务执行过程中利用整条手臂的触觉传感，使机器人能够从偶然接触中推断物体的机械属性。
• 解决在训练时未使用过的机器人运动参数下，物体属性推断的泛化挑战。
• 评估数据驱动方法在手臂速度和关节刚度变化下的鲁棒性。
• 构建一个机械模型，为接触过程中的触觉分类问题提供直观的物理解释。
• 证明多变量HMM能够有效从抓取运动期间采集的时间变化触觉传感器数据中学习并实现泛化。

提出的方法

• 使用配备大面积传感器阵列的触觉传感前臂，在向不同物体伸展的过程中采集随时间变化的触觉数据。
• 从原始触觉信号中提取低维特征——最大力、接触面积和接触运动——以表征接触动力学。
• 在这些特征上训练多变量隐马尔可夫模型（HMMs），以分类两种物体属性：刚性（刚性与柔软）和稳定性（固定与可移动）。
• 构建了一个柔性机器人关节与物体接触的简化机械模型，为分类任务和接触动力学提供物理解释。
• 通过在训练集之外的不同机器人手臂速度和关节刚度下测试HMM，评估其泛化能力。
• 使用交叉验证评估模型性能，通过在不同运动变化下的保留测试数据测量准确率。

实验结果

研究问题

• RQ1 数据驱动的HMM能否从机器人运动期间的偶然触觉接触中推断物体的刚性和稳定性？
• RQ2 基于HMM的分类器在新的机器人运动参数（如速度和关节刚度）下泛化能力如何？
• RQ3 在偶然触碰过程中，机器人-物体接触的简化机械模型能提供哪些物理解释？
• RQ4 低维触觉特征（力、面积、运动）如何促进物体属性的准确且可泛化的分类？
• RQ5 在机器人动力学变化的背景下，与先前方法相比，使用多变量HMM是否能提升泛化能力？

主要发现

• 多变量HMM在从偶然触觉接触数据中分类物体刚性和稳定性方面实现了高交叉验证准确率。
• 基于HMM的方法成功泛化至具有不同速度和关节刚度的新机器人运动，表现出对运动变化的强鲁棒性。
• 机械模型为接触动力学提供了有用的物理解释，支持了分类任务的设计与解读。
• 使用低维特征（最大力、接触面积、接触运动）有效表征了复杂的时间序列触觉数据，适用于分类任务。
• 该方法在泛化能力方面优于先前方法，尤其在机器人运动参数动态变化时表现更优。
• 结果表明，通过数据驱动模型，可以利用常规机器人任务中的偶然接触实现可靠的物体属性推断。