大面积柔性磁触觉感知
大面积柔性磁触觉感知
磁触觉传感器由于其低成本和制造简单，已经逐渐应用于机器人系统，如单点（力/位置）的触觉特征估计，但对表面触觉特征（即接触形状）的提取仍存在一定难度。近期IEEE RAM发表的”Contact Shape and Pose Recognition: Utilizing a Multipole Magnetic Tactile Sensor with a Metalearning Model”文中，清华大学孙富春教授团队、中国地质大学杨义勇教授团队和西门子中国研究院联合研制出一种能够提取接触面形状和姿态特征的软磁性触觉传感器，并用多级磁化来提高触觉触感器的性能。此外，还提出用元学习中的度量学习方法，从有限样本条件下的磁性数据中提取接触面形态和姿态的触觉特征，通过实验验证了其有效性，且对新的接触数据具有一定的泛化能力。
传感器设计
图1.传感器结构
该传感器由磁性层、硅酮层、基座和三维霍尔效应传感器阵列四部分组成。当磁传感器与物体接触时，磁层产生变形，导致磁层中永磁粒子的位移。这些变化后的磁场值可以通过五个霍尔效应传感器阵列来收集，通过分析收集到的数据来提取触觉特征。
充磁
图2.磁场分布
研究团队采用多极磁化的方法对磁性层进行磁化，在其表面形成多极磁场。如图2所示，多极磁性层的实际磁场强度分布与模拟结果相似，在霍尔传感器阵列位置上，磁场强度相对较大。
建立如图3所示的数据采集平台，测量头固定在四轴移动平台上，传感器固定在平台的上方。通过调整四轴移动平台，可以在传感器的不同位置加载力。实验测试了四种不同的磁化表面，使用锥形测量头以相同的速度和位置按压，收集磁场值。
图3.数据采集平台
图4.四种磁化作用下触觉传感器的信噪比
如图4所示，在相同位置，磁场强度越高，信噪比越好，故利用多极磁层收集到的磁场信息包含更多的接触特征。且对接触更加敏感，如图5所示，故多极磁层触觉传感器对磁强度响应更好，有利于对原始数据的处理和触觉识别。
方法
图5.方法流程图
研究提出度量学习方法，可以从执行任务中学习先验知识，即基于磁场信息提取和识别接触特征。如图5所示，收集在不同位置的多个物体的原始磁接触信息，建立训练集、测试集、验证集。通过特征提取，训练集和测试集数据转换成特征图。最后计算每个类别的原始特征，以及测试集特征和原始特征的距离，以预测新数据的分类。
实验
研究团队用Z轴运动平台和数字力计作为实验装，设计一系列不同形状的树脂测量头来收集接触形状信息。提出基于度量学习的方法来解决少量接触面形状和姿态特征识别的问题。磁触觉传感器在不同测量头载荷条件下的25个位置采集接触面形状识别数据。将收集到的数据80%设为元训练集，剩下的20%设置为元测试集。
表1.触觉数据集的少样本接触状态分类
基于少样本学习，用Pronet模型和改进的Pronet-L来评估接触面形状识别的性能，用机器学习（KNN）方法和深度学习（CNN）方法来进行比较。在同一接触面形状识别数据集上，研究团队提出的模型显示出比其他模型更好的性能，且具有提取新的接触面形状特征的能力。
接触姿态识别是模型应该具有的、适应不同的被操纵对象的能力。实验验证，基于度量学习的元学习方法具有更好的识别精度和泛化能力。
总结
文章中提出一种基于多极磁化的新型磁触觉传感器，用于提取接触面特征。该磁化方法具有较高的信噪比和灵敏度，在特征提取方面具有更好的性能。同时，研究团队结合元学习方法，提高了传感器的感知能力和泛化能力。
本文原文来自CSDN