腕力和触觉对机器人操作任务的影响

随着机器人技术的不断发展，将来机器人会更好融入我们日常生活。目前机器人在工业环境中，它们的动作可以通过程序化来实现G性能；而在非结构化环境(如家庭、办公室和医院)中的操作仍是个挑战性问题。机器学习的进步J大地改善了现实环境中的操作，然而即使是大规模机器人训练抓取系统（在两个月内收集了80万次抓取尝试的数据集上进行训练）也有17.5%的失败率[1]。当机器人在不确定环境中操作时，能够检测到它们是否成功地完成了操作任务是至关重要的。近年在IEEEWorld Haptics Conference上发表了Effectsof Force-Torque and Tactile Haptic Modalities on Classifying the Success of Robot Manipulation Tasks论文，通过研究找出一种触觉感知模式适合机器人对其任务性能进行分类。

我们知道触觉感知在提G自主机器人[2][3]的操作能力方面是至关重要。触觉感知一般包括力-力矩和触觉两种方式：力-力矩传感器通常安装在机器人的手腕上，可以用来测量施加在机器人手上的总力和力矩；触觉传感器通常安装在机器人的指尖或更大的区域作为“皮肤”，测量机器人和环境之间的局部相互作用[4][6]。触觉感知包括接触、压力、温度、局部力、变形[5]-[7]的G频振动。多种触觉感知模式可以一起使用，以提G实时操作控制器[8][9]的性能。触觉感知的多种模式也可以用于操作性能的离线分类方法，比如识别一个物体何时滑过机器人的手[10]并确定被操纵对象[11][12]的属性。Bekiroglu等人将来自触觉指尖传感器的数据与机器人手的配置信息和物体的先验知识相结合，自动评估抓取的稳定性[13]。

该文利用了Chu等人开发的任务完成分类方法。在他们的工作中，Chu等人在机器人试图完成几项操作任务时，记录了一个安装在腕上的力传感器的数据。然后，他们为每个操作任务训练了两个隐马尔科夫模型[14]，一个用于成功完成任务的机器人，另一个用于未能完成任务的机器人。作为他们工作的一部分，Chu等人使用这些模型将每个任务之前未见过的尝试的四个实例划分为成功或不成功，对于某些任务，这种方法可以得到出色的分类，然而，对于其他任务，比如用杯子舀意大利面，该方法的分类精度为50%[15]。

为了研究哪种触觉模式或模式组合适合对任务完成进行分类，文中反复尝试用三对指尖传感器中的每一个来完成两项任务。将每个试验贴上“成功”或“不成功”的标签，在使用了Chu等人开发的任务完成分类方法之后，使用从指尖和力-力矩传感器提取的不同特征组合训练了两对隐马尔科夫模型，经过训练的隐马尔可夫模型被用来将以前未见过的试验分为“成功”和“不成功”。机器人反复完成两个动作：拾取任务和挖掘任务，拾取作业过程机器人的运动轨迹如图2所示。在这个任务中，机器人从物体上方开始，打开它的末端夹持器，向下移动，使物体在夹持器的手指之间，合上夹持器，然后返回到起始位置。操纵的对象是一个软墙门，这是一个半球体制成的柔性聚合物，之所以选择这个对象，是因为它很难被拾取，从而确保了成功和失败的拾取尝试之间的良好平衡。如果机器人没有捡起物体，或者在返回起始位置之前将物体掉落，则视为失败。第二个任务是挖掘任务，它是模仿Chu等人设计的任务之一。在这个任务中，机器人拿着一个勺子，沿着预先设定的轨道移动，从一个盒子里舀意大利面，如图2所示。在这个任务中，机器人用一个夹爪抓住铲子，然而当机器人足够用力地抓住铲子时，NumaTac和BioTac的压力读数都饱和了，这样它就不会在机器人的手上绕着连接机器人两根手指的轴旋转。为了解决这个问题，我们在机器人的手上加了一个“第三根手指”来稳定铲子，可能出现的故障类型有：（1）铲子撞到箱底，机器人的关节承受了过大的扭矩，导致紧急停车；（2）铲子在机器人手中滑动；（3）不舀意大利面，失败是由机器人手中铲子的位置和盒子里意大利面分布的变化引起的。

通过结果分析发现拾取任务的分类性能通常优于挖掘任务的分类性能，可能这是由于拾取任务的失败模式(拾取失败或掉落)比挖掘任务的不同失败模式(机器人摊牌、铲斗滑落、机器人无法铲起意大利面)产生更多相似的触觉特征。选择任务的分类性能也可能更G，这是因为在这个任务中，机器人的手直接操作任务对象，而在挖掘任务中，机器人使用手持工具(铲子)来拿起意大利面。

研究者们未来将采用不同的机器学习分类技术是否能更好的帮助机器人判断自己是否完成了任务。同时计划研究仅使用部分任务轨迹的分类性能，使机器人能够识别正在进行的任务何时可能失败并纠正其动作，并将在更广泛的任务集上验证。