Oct, 2017

成功感：触觉有助于预测抓握结果吗？

PDF
TL;DR研究探讨了在多模态感知框架下，通过使用触觉传感器和视觉传感器共同预测机器人抓取结果，发现结合触觉传感器可显著提高机器人抓取性能。
robotic graspingtouch sensingmultimodal sensingdeep neural networksgrasping performance
发现论文，激发创造
  • 学习使用视觉和触觉抓取和重新抓取

    本论文提出了一个基于深度学习的端到端操作条件模型，通过学习来自 GelSight 传感器的神经张量图像的触觉和视觉数据，从而使机器人学会了如何使用触觉信息来调整其抓取力度，以达到高效的抓取。

    May, 2018

  • 触觉操纵：基于深度预测模型的触控控制

    本文中，我们提出了一种深度触觉模型预测的方法，结合高分辨率触觉传感器，通过无监督自主交互生成模型以从原始触觉传感器输入进行学习，并将学习到的模型用于将物体重新定位到用户指定的配置，从而实现非握持操作的触觉控制。

    Mar, 2019

  • 结合视觉和触觉感知进行视频预测

    本论文探究将触觉感应应用于物理机器人相互作用的视频预测模型，结果表明增加触觉反馈有助于提高场景预测准确性和增强机器人在物理相互作用过程中的感知和理解能力。

    Apr, 2023

  • 神经场与神经场的感知：手中操作的视觉触觉感知

    通过结合视觉和触觉传感来估计物体的位置和形状，本研究展示了多模态感知在手持操纵中的作用，证明触觉能够在手持操纵过程中改进视觉估计并提供更准确的感知，旨在推动机器人灵巧性的发展。

    Dec, 2023

  • TactoFind：一种仅基于触觉的物体检索系统

    本文研究了在视觉感知缺失，对象形状未知且对象可以自由运动的场景下的物体检索问题，提出了一种使用触觉反馈进行定位、识别和抓取新对象的系统。

    Mar, 2023

  • 通过跨模态预测连接触觉和视觉

    本文通过在机器人装备视觉和触觉传感器，收集大规模视觉和触觉图像序列数据，使用条件对抗式模型，实现视觉和触觉的交叉连接，来合成视觉数据和触觉信号，并想象人与物体的互动。

    Jun, 2019

  • 机器触觉的关注：鲁棒的模拟到实际触觉控制中的触觉显著性预测

    在未知干扰环境中，通过提出触觉显著性预测方法，可以提高机器人对触觉的鲁棒控制，并精确预测真实触觉图像中的目标特征。

    Jul, 2023

  • 将其推至示范极限：多模态视触力仿真学习与力匹配

    研究了视触觉感知与模仿学习相结合在接触丰富的操作任务中的作用，利用光学触觉传感器和创新算法收集触觉力量数据，并通过可视 / 触觉模式切换简化传感器的应用，实验结果强调触觉感知在模仿学习中的重要性。

    Nov, 2023

  • GelSlim：高分辨率、紧凑、坚固和校准的触觉传感手指

    设计了一种高分辨率的触觉传感手指，通过重新设计光学路径结合几何设计变量权衡手指厚度、相机的景深和触觉感应区域的大小，采用更均匀的输出和更坚固的材料，结合自校准过程，从而实现在抓取任务中自持续和抗折磨性能，并通过 4 种度量指标评估其耐久性。

    Mar, 2018

  • 基于 LSTM 的触感和动觉信息对象识别的贝叶斯和神经推理

    本研究提出了一种基于多模态对象识别的分析和数据驱动的方法，利用具有高分辨率触觉传感器的三指驱动夹爪进行压缩和释放探索过程（EPs），采集手指关节上的角度传感器获取触觉图像和动觉信息，然后，利用 LSTM 神经网络进行分类，最后通过贝叶斯和神经推理方法融合，对 36 种物体进行测试，结果表明贝叶斯分类器提高了物体识别能力并优于神经网络分类器。

    Jun, 2023