基于神经形态触觉传感器的纹理区分探索性运动策略.pdfVIP

基于神经形态触觉传感器的纹理区分探索性运动策略

XingchenXu,AoLiandBenjaminWard-Cherrier,Member,IEEE

Abstract—我们提出了一种用于机器人纹理分类的神经

形态触觉感知框架，该框架受到了人类探索策略的启发。我们

的系统利用了NeuroTac传感器，在一系列探索性运动过程中

捕获神经形态触觉数据。我们首先测试了在固定环境下进行纹

理分类的六种不同运动：滑动、旋转、轻敲，以及组合动作：滑

动+旋转、轻敲+旋转和轻敲+滑动。基于最终准确性和达到

收敛准确度所需的样本时间长度，我们选择了滑动和滑动+旋

转作为最佳动作。在第二个实验中，为了模拟复杂的现实条件，

这两种运动又在变化的接触深度和速度下进行了进一步评估。

本在这种情况下，我们的框架在采用滑动+旋转时达到了最高的

87.33%准确率，并且保持了极低的功耗仅为8.04毫瓦。这些

译结果表明，在纹理分类任务中，滑动+旋转运动是神经形态触

Fig.1.实验设置和交互方式概述。NeuroTac传感器与固定在有机玻璃平

觉感知部署的最佳探索策略，并对增强机器人环境交互具有显

中台上的自然纹理相互作用，执行三种基本运动：滑动、敲击和旋转，以及它

1著潜力。们的组合。每次互动都会生成神经形态触觉事件数据，这些数据使用神经形

v态处理器（Synsense,Speck2f）进行处理和分类以进行推理。

4I.介绍

5

9触觉感知对于人类和机器人与环境的交互至关重

4要～[1]。在人类中，触觉感知本质上是自适应的，探索性动作的有效纹理识别能力[6]。然而，这种方法在

1需要精确控制接触力和滑动速度的理想实验条件下得

9.索程序（EPs）会根据所评估物体的特性进行动态调整到了验证，这给实际部署带来了挑战。

0～[2]。一些研究已经确定了规范的EPs——例如用于

5在这项工作中，我们通过采用一种既节能又能够

2纹理的侧向运动、用于顺应性的压力以及用于形状的

:快速推理的神经拟态方法来扩展这些发现[7]（图1）。

v轮廓跟踪——这些使得有效的和有针对性的感觉获取

i尽管取得了显著的进步，现有的触觉纹理分类方法通

x成为可能～[3]。相比之下，机器人触觉系统往往缺乏

r常依赖于计算密集型算法[8]、离线处理[9]和固定探

a这种适应性，依赖于预先定义且刚性的探索策略，这

索动作[10]，这些都无法捕捉现实世界场景中主动接

可能会限制分类性能～[4]。

触的内在变异性。高能耗和延迟反应时间进一步限制

先前对触觉纹理识别的研究进一步强调了探索性

了它们在资源受限环境（如机器人技术和假肢）中的

运动的重要性。人类受试者自然会运用多种定型动作

适用性[11]。为了解决这些问题，我们的方法系统评

——包括横向扫描、敲击和旋转运动——有效地提取