Kinesthetic-based In-Hand Object Recognition with an Underactuated Robotic Hand

📄 arXiv: 2401.16802v1 📥 PDF

作者: Julius Arolovitch, Osher Azulay, Avishai Sintov

分类: cs.RO

发布日期: 2024-01-30

备注: 2024 IEEE Conference on Robotics and Automation (ICRA)

💡 一句话要点

提出基于运动触觉的无驱动机械手物体识别方法以解决触觉传感器缺失问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无驱动机械手 运动触觉 物体识别 机器学习 机器人技术

📋 核心要点

  1. 现有的无驱动机械手缺乏触觉传感器，导致在手内物体识别时无法进行直接触觉感知，限制了其应用。
  2. 本文提出通过运动触觉感知抓取物体的几何信息，利用执行器位置和扭矩数据进行间接物体识别。
  3. 实验结果显示，分类器在识别训练物体时的成功率接近95%，并且实时多数投票机制显著提升了识别准确性。

📝 摘要（中文）

基于腱驱动的无驱动机械手旨在实现简单、顺应性强且经济实惠的设计。由于缺乏触觉传感器，直接触觉感知在手内物体识别中不可行。本文探讨了运动触觉是否能在无驱动机械手的手内操作中提供关于抓取物体几何形状的间接信息。通过感知执行器位置和扭矩，研究表明分类器能够以近95%的高成功率识别物体。此外，在操作过程中实施实时多数投票进一步提高了识别效果，训练后的分类器还成功区分了形状类别，而不仅仅是特定物体。

🔬 方法详解

问题定义：本文旨在解决无驱动机械手在缺乏触觉传感器的情况下，如何有效进行手内物体识别的问题。现有方法依赖视觉感知，容易受到遮挡影响，导致识别困难。

核心思路：论文提出利用运动触觉，通过感知执行器的位置信息和扭矩变化，间接获取抓取物体的几何特征，从而实现物体识别。这种方法避免了对复杂触觉传感器的依赖，简化了硬件设计。

技术框架：整体方法包括数据采集、特征提取和分类三个主要模块。在数据采集阶段，记录执行器的运动状态；特征提取阶段，分析位置信息和扭矩数据；分类阶段，使用训练好的分类器进行物体识别。

关键创新：最重要的创新在于利用运动触觉信息进行物体识别，尤其是在缺乏直接触觉感知的情况下。这与传统的视觉识别方法形成鲜明对比，提供了一种新的识别途径。

关键设计：在实验中，采用了特定的参数设置以优化分类器的性能，损失函数设计上考虑了多类别识别的需求，确保分类器能够有效区分不同物体和形状类别。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法在物体识别任务中取得了近95%的成功率，且通过实时多数投票机制进一步提升了识别准确性。这一性能显著优于传统的视觉识别方法，展示了运动触觉在物体识别中的有效性。

🎯 应用场景

该研究的潜在应用领域包括人机交互、服务机器人和自动化制造等。通过实现无驱动机械手的高效物体识别，可以提升机器人在复杂环境中的操作能力，降低对昂贵传感器的依赖，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Tendon-based underactuated hands are intended to be simple, compliant and affordable. Often, they are 3D printed and do not include tactile sensors. Hence, performing in-hand object recognition with direct touch sensing is not feasible. Adding tactile sensors can complicate the hardware and introduce extra costs to the robotic hand. Also, the common approach of visual perception may not be available due to occlusions. In this paper, we explore whether kinesthetic haptics can provide in-direct information regarding the geometry of a grasped object during in-hand manipulation with an underactuated hand. By solely sensing actuator positions and torques over a period of time during motion, we show that a classifier can recognize an object from a set of trained ones with a high success rate of almost 95%. In addition, the implementation of a real-time majority vote during manipulation further improves recognition. Additionally, a trained classifier is also shown to be successful in distinguishing between shape categories rather than just specific objects.