Jul, 2023

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

PDF
TL;DR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。
tactile sensingtactile saliencyrobotic controlunstructured environmentstactile images
发现论文，激发创造
  • 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

  • 机器人共感：视触感知下的手部操纵

    使用视觉和触觉感知输入实现灵巧的手中操作是一项具有挑战性的任务，本文提出了一种基于点云的触觉表示方法 Robot Synesthesia，该方法通过同时无缝地整合视觉和触觉输入，提供更丰富的空间信息，有助于更好地推理机器人动作，通过在模拟环境中训练并应用于真实机器人，可适用于各种手中物体旋转任务，并通过综合消融实验验证了视觉和触觉的整合如何改善强化学习和实验到真实场景的性能。

    Dec, 2023

  • DexTouch：学习使用触觉灵巧性寻找和操纵物体

    通过使用触觉传感器而无需依赖视觉信息，我们介绍了一个多指机器人系统，用于搜索和操纵随机位置的目标物体，并在模拟环境中训练和转移政策，证明了使用触觉传感器进行物体搜索和操纵任务的可行性，以实现赋予机器人类似人类触觉能力的目标。

    Jan, 2024

  • 看得见，触得到：通过视觉激励学习触觉灵巧度

    通过利用视觉奖励来优化敏感性策略的触觉适应 (TAVI) 框架，通过在线强化学习，在多指机器人上取得了可观的成功率，提高了性能。

    Sep, 2023

  • Touching to See” and “Seeing to Feel”: 用于视觉触觉知觉的机器人跨模态感官数据生成

    本文提出了一种新的框架，利用条件生成对抗网络生成视觉或触觉图像，以实现视觉和触觉知觉的跨模态感知，并在 ViTac 数据集上进行了广泛实验，结果表明该方法能够生成逼真的数据并且有潜力扩大分类任务的数据集，生成不易获取的感官输出，并推进视觉 - 触觉知觉的整合。

    Feb, 2019

  • Imagine2touch：使用低维信号的机器人操作预测性触觉感知

    我们的目标是使机器人具备与人类类似的潜在触觉信号感知能力，通过使用一种名为 Imagine2touch 的方法，可以根据表示待触摸区域的视觉补丁来预测预期的触摸信号。我们使用了一种廉价而紧凑的触摸传感器 ReSkin 来收集所需的数据集，通过对五种基本几何形状和一种工具进行随机触摸。我们在其中两种形状上对 Imagine2touch 进行训练，并在 odd 工具上进行验证。我们通过将 Imagine2touch 应用于物体识别的下游任务来展示其有效性。在这个任务中，我们通过两个实验评估了 Imagine2touch 的性能，总共包括 5 个训练分布对象。在每个对象受到十次触摸后，Imagine2touch 的物体识别准确率达到了 58%，超过了一个本体感知基线。

    May, 2024

  • 接触筛选：零件匹配的交互式触觉感知

    本文章提出了一种使用基于视觉的触觉传感器进行交互式感知的方法，其中训练了一个深度神经网络来预测任意形状的零件的概率对应关系，并设计了一个粒子滤波器来优化感知任务并提高机器人操作的效率。

    Mar, 2023

  • 伪触感：高效感知机器人操作中物体表面的触觉

    通过学习低维度的视觉 - 触觉嵌入，本研究利用触觉传感器和视觉数据实现了机器人的触觉信号预测，成功应用于物体识别和抓握稳定性预测任务，并在后两个任务上展现了优越性能。

    Mar, 2024

  • 视觉与触觉的整合：自监督学习的多模态接触任务表示

    本文使用自我监督的方式学习了一种紧凑的多模态表示方法，将触觉和视觉反馈结合起来，以改善高维输入控制策略的样本效率，该方法在模拟和实际机器人实验中均表现出鲁棒性和广泛泛化能力。

    Oct, 2018