觸摸（Touch）是人類在進行協調交互時的主要方式之一。通過觸摸感知到的觸覺（Sense of Touch）可以幫助人類評估物體的屬性，如大小、形狀、質地、溫度等。此外，還可以利用觸覺來檢測物體的滑脫，進而發(fā)展人類對身體的認識。觸覺將壓力、振動、疼痛、溫度等多種感覺信息傳遞給中樞神經系統，幫助人類感知周圍環(huán)境，避免潛在的傷害。研究表明，與視覺和聽覺相比，人類的觸覺在處理物體的物質特征和細節(jié)形狀方面更勝一籌。
與人類一樣，機器人的觸摸傳感（Touch Sensing）能夠幫助機器人理解現實世界中物體的交互行為，這些行為取決于其重量和剛度，取決于觸摸時表面的感覺、接觸時的變形情況以及被推動時的移動方式。只有給機器人也配備先進的觸摸傳感器 --- 即 “觸覺傳感（Tactile Sensing）” 系統，才能使其意識到周圍的環(huán)境，遠離潛在的破壞性影響，并為后續(xù)的手部操作等任務提供信息。然而，目前大多數機器人交互式技術系統由于缺乏對觸覺傳感技術的有效應用，其動作不準確、不穩(wěn)定，交互過程“笨拙”，極大地限制了他們的交互和認知能力。
我們在這篇文章中重點關注人類和機器人的觸覺傳感問題。首先，我們討論人類 觸覺 的生理和編碼方式，及其在傳遞觸覺數據等任務中的重要性。然后，在分析人類觸覺的基礎上探討機器人 “觸覺傳感” 系統的構建，特別是觸摸感知（Tactile Perception）的方法和應用。最后，具體分析兩篇關注在具體應用場景中向機器人引入觸覺傳感技術的文章。
一、人類「觸覺」
首先，我們來分析人類的觸覺究竟是什么。人類的 “觸覺” 包括兩個主要的亞型，即 “皮膚（Cutaneous）” 和“動覺（Kinesthetic）”。兩者主要是基于感覺輸入的部位來區(qū)分的：皮膚感覺接收來自嵌入皮膚的受體的感覺輸入，而動覺感覺接收來自肌肉、肌腱和關節(jié)內的受體的感覺輸入。在這兩個亞型的基礎上，研究人員區(qū)分定義了皮膚（Cutaneous）、動覺（Kinesthetic）和觸覺（Haptic）三種感覺系統。其中，皮膚系統包括與刺激物的身體接觸，并通過中樞神經系統（central nervous system，CNS）皮膚和相關體感區(qū)的受體提供對身體外表面刺激的感知；動覺系統主要來自肌肉、關節(jié)和皮膚的傳入信息以及大腦可用的肌肉效能的相關聯系來提供有關靜態(tài)和動態(tài)身體姿勢（頭部、軀干、四肢和末端執(zhí)行器的相對位置）的信息；觸覺系統利用的則是來自皮膚和動覺系統的關于物體和事件的重要信息。
人類的觸覺通過分布在全身不同密度的大量受體（如壓力 / 振動的機械感受器、溫度的熱感受器和疼痛 / 損傷的痛覺感受器）處理對外部刺激的時空感知。對機械刺激的反應是由植入皮膚不同深度的機械感受器介導的。這些受體的分類、功能和位置如圖 1 所示 [1]。這些受體具有不同的感受野（受體反應的身體區(qū)域的范圍）和不同的適應率。一個快速適應（fast-adapting，FA）受體在第一次被施加刺激時就會立刻產生動作電位的爆發(fā)。相反，對于慢適應（slow-adapting，SA）受體來說，在刺激與其感受野接觸的整個時期內它都是活躍的狀態(tài)。對熱刺激的反應被認為是由皮膚中單獨的“熱” 和“冷”的熱受體群體介導的。此外，科學家還在體外和體內對人體皮膚樣品進行了研究，發(fā)現不同受體對外界刺激的反應本質上是熱電性和壓電性的。
圖 1. （a） 無毛皮膚切片，顯示各種機械感受器的物理位置和分類；（b） 從指尖到大腦體感區(qū)的觸覺信號傳遞；（c） 觸覺信號從接觸點傳遞到大腦過程中的功能事件，為了簡單起見，信號流是單向的
從皮膚受到刺激的那一刻起直到產生感知，會發(fā)生各種復雜的機械、感知和認知現象。圖 1 給出了一個事件序列示例。當皮膚與物體接觸時，它會與物體表面保持一致，即保持相同的局部輪廓，從而將變形投射到大量的機械感受器（受體的一類）上。因此，每個機械感受器都能表征物體的一小部分，并將時空觸覺信息編碼為響應于刺激大于閾值時產生的動作電位電壓脈沖的峰值。刺激的振幅隨后被轉換成一系列動作電位，這一步驟類似于用模數轉換器將模擬信號數字化和編碼過程。
時空限制和對機械刺激的敏感性直接影響人類的物體識別能力和方向敏感性等。皮膚感覺的模式感知能力受到其空間和時間敏感性的限制，因為它們在皮膚處理的早期階段就通過時空過濾來量化信息的丟失或模糊程度。這種效應可以用來定義機器人觸覺傳感的 “串擾” 極限。
人類善于通過觸摸來識別普通物體，而物體的材料屬性、形狀等線索識別的結果都是至關重要的。皮膚、動覺都有助于感知這些線索。不過，人類的觸覺感知更適合于感知物體的物質屬性，而不是感知物體的形狀，特別是在當物體較大、超過了手指接觸區(qū)域大?。?-12 mm）的情況下。不過，對手指接觸區(qū)域內的物體進行形狀（Shape）檢測是機械感受器的一項重要功能。
此外，粗糙平滑（roughness-smoothness）是另一個重要的感知維度。神經生理學研究表明，觸覺粗糙度知覺是由 SA 傳入神經放電的空間變化準確預測的，因此，它是多種觸覺要素的函數。
對物體滑脫（Slip）的檢測可以看作是皮膚受體對運動的編碼。表面和皮膚之間的滑動或相對運動對于感知粗糙度、硬度和形狀非常重要?；撟鳛橐环N誤差信號，在人的握力控制中起著重要作用。物體接觸表面的觸覺反饋會影響對支撐物體的力的感知。除了大小之外，力的方向對于處理形狀不規(guī)則的物體同時保持所需的方向也是至關重要的。在運動控制中，觸覺信息在控制伸手抓握動作的執(zhí)行中起著重要作用。準確地抓住一個物體不僅需要精確地控制手指肌肉的活動強度，而且還需要精確地控制其在不同抓取階段的時間進程或持續(xù)時間。缺乏觸覺感知會延長抓握的手指張開階段的持續(xù)時間，從而削弱抓握的控制。最后，人類通過皮膚這種介質將接觸壓痕轉化為應力 / 應變。人體皮膚具有多層性、非線性、非均勻性和粘彈性，它是一個由肌肉和脂肪組成的可變形系統支撐的復雜結構。不同的皮膚層有不同的剛度。有了這些特性，皮膚力學就在觸覺感知中發(fā)揮重要作用。
但是，需要指出的是，人是一個完整的、多層次的、綜合的系統，“觸覺”并不是孤立的。人類感知一個刺激物依賴的是多個感官信息的集合，如觸覺、視覺、聽覺等。有時，不同感覺方式的輸入效果是相互矛盾的，此時，人需要判斷這些不同的感覺方式所輸入的信號的關系和正確性。而在更多其它的時候，人類的感知是由不同感官輸入信號的綜合體。即便僅涉及一個單一的輸入模態(tài)，人類對一個物體的感知也可能是由于它的子模態(tài)的綜合作用所得到的。多個來源的感官信息的組合與整合能力是實現穩(wěn)健的人類感知的關鍵，因為它限度地利用了來自不同感官模式的信息，從而提高了感官估計的可靠性。
二、機器人「觸覺傳感」
對應于人的觸覺，機器人的觸覺傳感（Tactile Sensing）系統就是一種可以通過接觸來測量物體給定屬性的裝置或系統。一般來說，機器人的觸覺感知與在預定區(qū)域內的力的測量有關。為了改進機器人的應用效果，也應當為機器人配備先進的觸覺感知系統，以使其能夠感知周圍環(huán)境，遠離潛在的破壞性影響，并為后續(xù)任務（如手部操作）提供有效信息。
機器人觸覺傳感有著眾多應用場景：比如在操作任務中，使用觸覺信息作為機器人的控制參數，例如，接觸點估計信息、表面法向和曲率等；在抓握任務中，通過測量法向靜態(tài)力來檢測物體滑動情況，例如，將接觸力的測量值用于輔助抓握力控制，這對于機器人保持穩(wěn)定抓握至關重要；在機器人的靈巧操作任務中，判斷施加操作用力的方向也是至關重要的，例如，通過調節(jié)法向力和切向力之間的平衡，能夠保證抓握的穩(wěn)定性。
圖 2 給出了一個在指尖、指骨和手掌上配置觸覺傳感器的機器人手示例[3]。具備高空間和時間分辨率的觸覺傳感器為手部提供了豐富的觸覺信息，進而用于輔助機器人執(zhí)行復雜任務，例如，探索未知對象、工具使用和手部操作等。
圖 2. 陰影靈巧手（左）被觸覺皮膚覆蓋（中間），以便在多個位置提供觸覺信息（右側渲染圖中突出顯示的綠色區(qū)域）[3]
觸覺傳感器也可以嵌入機器人的其他身體部位，如手臂、軀干（圖 3 中 NAO 機器人示例）、腿和腳。由這些部位反饋的觸覺信息與輔助機器人繞行障礙物、完成人機交互和移動等任務密切相關[3]。
圖 3. NAO 類人機器人覆蓋著一層多模人造機器人皮膚，提供振動、溫度、力和接近信息[3]
文獻 [2] 引入了觸覺傳感，結合傳統的視覺和聽覺，機器人的感知 - 控制 - 行為的架構系統以圖 4 的形式展示出。其中，左側圖表示將觸覺感知過程被劃分為功能塊，在不同的層次上描述傳感過程、感知和控制行為。圖 1 的右側示出了與這些功能塊相對應的硬件的結構塊。傳感過程（Sensing）將外界刺激（如壓力、振動和熱刺激）轉化為觸覺傳感器傳感元件的變化。利用嵌入式數據處理單元采集、調節(jié)和處理這些數據，然后將其傳輸到更高的感知層（Perception）。感知層的任務是構建用于生成感知交互對象特性（如形狀和材料特性）的模型。在感知階段，觸覺還可能還會與視覺和聽覺等其他感知方式相融合（Fusion）。最終，在控制層（Action）中機器人根據融合的知識執(zhí)行控制命令，使用控制器完成動作。
圖 4. 機器人觸覺傳感系統的層次功能（左）和結構（右）框圖 [2]
2.1 傳感層（Sensing）
傳感層是整個觸覺傳感系統中最底層的處理結構，根據傳感過程對應的身體部位，主要劃分為以下三類：
單點接觸式傳感器（類似于單觸覺細胞）：這種傳感器用于確認物體與傳感器的接觸，并檢測接觸點處的力或振動。根據傳感方式，單點接觸傳感器可分為：1）用于測量接觸力的力傳感器；2）用于測量接觸過程中振動的仿生晶須，也稱為動態(tài)觸覺傳感器；
高空間分辨率觸覺陣列（類似于人類的指尖）：這種類型的觸覺傳感器是目前觸覺傳感研究中采用最多的傳感器，例如基于光纖的觸覺傳感元件的觸覺陣列、基于 MEMS 氣壓計的觸覺陣列傳感器和基于嵌入式相機的指尖傳感器等；
大面積觸覺傳感器（類似于人類手臂、背部和其他身體部位的皮膚）：與指尖觸覺傳感器不同，這種類型的傳感器并不需要強調高空間分辨率的特性。對它們來說，更重要的是足夠靈活，以及可以連接到機器人彎曲的身體部位。
2.2 感知層（Perception）
觸覺感知（Perception）是指通過解釋和表達觸覺信息來觀察物體特性的過程，也是機器人觸覺傳感中重點關注的研究內容。由圖 2 可知，感知位于傳感層之上，為控制層提供有用的、面向任務的信息。與觸覺傳感器的快速發(fā)展相比，對觸覺傳感器產生信息的理解（觸覺感知）發(fā)展尚不成熟。目前針對觸覺感知的研究主要包括物體識別、形狀識別、姿態(tài)識別、感知融合等。
[物體識別]
物體表面的材料特性是機器人與周圍環(huán)境進行有效交互所需要的最重要的信息之一。視覺（Vision）一直是識別物體材料最常用的方法。然而，光憑視覺只能識別出一種已知的表面材料，而不能估計其物理參數。在這方面，必須引入觸覺來判斷材料特性。輔助觸覺物體識別的信息包括物體的表面紋理（Surface texture）、物體剛度（Object stiffness）等。
[形狀感知]
形狀感知是機器人識別或重建物體形狀的能力。在不同的機器人任務中，形狀感知的目標不同，例如，捕捉精確的形狀，形狀元素或整體輪廓分類等。形狀感知能力對于機器人執(zhí)行任務（如抓取和手部操作）的完成效果至關重要。獲得的物體形狀信息越完整，機器人就越有能力規(guī)劃和執(zhí)行抓取軌跡和操縱策略。
經典的形狀識別研究主要是基于視覺的方法。然而，當存在遮擋或光照條件較差時，機器人是無法觀察到視覺形狀特征的。相比之下，觸覺物體的形狀感知并不受這些因素的影響，可以通過傳感器與物體的相互作用來判斷物體的細節(jié)形狀。此外，近年來高性能觸覺傳感器的大規(guī)模量產進一步促進了通過觸覺識別物體形狀的算法的推廣。
形狀感知算法主要包括局部形狀感知和全局形狀感知兩類。局部形狀感知類似于人類皮膚的觸覺感覺，全局形狀感知則是皮膚和動覺共同反饋作用的結果，例如對超出指尖范圍的輪廓的感知。在一些機器人內置的內部傳感器中，例如關節(jié)中的本體感受器，常被用來獲取手指 / 末端執(zhí)行器的位置和運動，通過將這些手指 / 末端執(zhí)行器與局部特征結合起來以識別物體。
[姿態(tài)識別]
機器人實現對物體的操縱需要以精確和及時地估計物體的姿態(tài)為前提。一般情況下，使用物體（對象）相對于機器人末端效應器或全局坐標系的位置和方向描述其姿態(tài)。針對物體位置的估計即使存在很小的誤差，也會導致機器人手指在物體上的位置不正確，從而產生關于抓握穩(wěn)定性的錯誤假設，并影響操作任務的成功。因此，魯棒、準確和快速地感知物體的姿態(tài)是任何復雜的抓取和操縱系統的關鍵部分。
機器人學中最常用的估計物體姿態(tài)的方法是使用計算機視覺。然而，當機器人接近要操縱的物體時，會存在遮擋的現象，進而影響視覺估計的效果。為了解決這一問題，研究人員通過引入觸覺傳感系統來幫助機器人確定被觸摸物體的姿態(tài)。根據傳感層輸入的不同，姿態(tài)識別方法主要包括單點接觸式傳感器和觸覺傳感陣列。
[感知融合]
機器人必須配備不同的傳感方式，才能在非結構化環(huán)境中工作。將這些不同來源的數據融合成更有意義的、更高層次的狀態(tài)表征也是感知過程的一部分。多個傳感器可以提供更及時、成本更低的信息。此外，由于傳感器的工作速度不同，可以并行處理它們的信息。
在需要與環(huán)境交互來完成的任務中，可以將觸覺感知與其他感知方式相結合，以提高任務完成的準確度和魯棒性。典型的感知融合方式有觸覺感知與視覺、動覺線索、力矩和距離感測的結合等等。
2.3 控制層（Action）
最后，我們從控制層的角度討論觸覺傳感技術在機器人中的應用。豐富的觸覺信息能夠為執(zhí)行觸覺相關任務提供多種可能性，包括：觸覺探索、抓取、手部操作、移動、工具操作、人機交互和無意識操作等[3]。
[觸覺探索（Tactile Exploration）]
觸覺探索是一種通過觸覺提取未知物體屬性的有效方法。人類通過多種探索方法來獲得關于物體的知識，例如側向運動、壓力、封閉、輪廓跟蹤、物體部分運動測試和啟示性測試等。受到這些人類行為的啟發(fā)，研究人員開發(fā)了多種基于觸覺的探索方法用以估計機器人的控制參數，包括物體表面幾何結構、材料屬性、形狀等。
觸覺傳感在機器人觸覺探索中的另一個代表性應用是觸覺伺服控制（Tactile servoing control），即通過單個或多個接觸區(qū)域內得到的物體相關信息以確定期望的機器人與物體的接觸模式（接觸模式是指接觸位置和力）。例如，可以使用觸覺陣列通過執(zhí)行滑動和滾動動作來探索物體的表面特征，從而通過最小化觸覺模式的偏差來控制動作。這種方法也可用于控制機器人手進行探索，控制器利用手部多個接觸區(qū)域，探索未知物體的表面，提高機器人的抓取能力。
[無意識操作（Nonprehensile Manipulation）]
無意識操作主要是指在沒有明確抓取任務的情況下機器人與物體之間的交互。這種類型的操作包括推、戳、打、鉤、旋轉、翻轉、投擲、擠壓、旋轉和打擊等。無意識操作中的觸覺感知通常用于對接觸過程進行建模，并提供低水平的反饋控制，以及監(jiān)控動作狀態(tài)和估計物體屬性等。
[抓?。℅rasping）]
抓取是機器人操作中研究最廣泛的一個方面，它為機器人提供了對被抓取物體的控制能力，是機器人使用工具的一個常見先決條件。與觸覺探索相似，觸覺抓取是提取物體屬性的重要方法。觸覺感知也被用于分析型抓取控制器、數據驅動抓取合成、抓取結果檢測和重抓取等控制器中。分析型抓取控制器依賴于準確的接觸位置、法向和力估計來計算化抓取質量指標的抓取姿勢。而在數據驅動的方法中，機器人使用先前抓取的接觸和物體信息來預測抓取質量并計算重抓取的姿勢。一旦抓住了物體，觸覺反饋可用于控制接觸力并檢測初始滑動。通過使用觸覺數據檢測或預測初始滑動，機器人可以自動增加抓地力以避免較大的滑動，而無需明確估計物體 - 手指摩擦系數。
[手部操作（In-Hand Manipulation）]
在手部操作中，使用機器人手的靈巧性來改變被抓取物體的狀態(tài)，此時，機器人多采用的控制器包括多指機械手（Multifingered Robot Hands）、夾持器（Grippers）等。為了在保持接觸的同時進行局部重新定位，首先要將物體精確地抓住，然后再使用機器人的指尖移動物體。觸覺傳感用于估計接觸和物體信息，并主動控制手指和物體之間的接觸。觸覺傳感也可用于直接學習從接觸傳感器信息到機器人手指所需關節(jié)速度的映射。
為了進一步移動物體，機器人需要用手指在不同的抓握之間進行切換，同時保持手中的物體不掉落。為此，手指需要通過觸覺感應來檢測手和物體之間的縫隙情況，以及接觸物體的情況，從而有效地在物體表面滑動。為了更進一步的模仿人類，可以通過在受試者的手上安裝觸覺指套來獲得帶有觸覺信號的滑動行為演示，用于控制機器人。
[工具操作（Tool Manipulation）]
工具操作是許多機器人操作任務中都具有的一個內容。在工具操作中引入觸覺感知的一個重要前提是，任務接觸必須位于物體和手持工具之間。因此，除非工具本身裝有儀器，否則觸點不會直接位于觸覺傳感器上。觸覺感知可用于檢測工具上的接觸，定位工具提示和被操作工具的其他重要內容，監(jiān)控任務進度和檢測操作失敗等任務。觸覺反饋還可以用來估計和保持接觸點的方向和力，以執(zhí)行后續(xù)的控制任務。觸覺感知也可用于雙臂裝置，以估計抓取工具的運動參數。
此外，觸覺感知還可以用于控制和使用未知工具。在這類任務中，主要的挑戰(zhàn)是沒有運動學或動力學操作模型可以直接用于計算給定任務的觸覺動作信息。此時，可以引入基于數據驅動的方法作為一種隱式計算操作命令的有效方法。
[運動（Locomotion）]
觸覺感知不僅對完成操作任務有用，對于引導和實現機器人運動也是非常有效的。地面車輛和步行機器人，如人形機器人、四足動物、六足動物和蛇形機器人，都需要利用與環(huán)境的接觸來移動。觸覺感知為完成這些任務提供了對機器人狀態(tài)和環(huán)境地形的估計。例如，輪式機器人可以使用觸覺感知來監(jiān)測它們與地面的接觸。來自車輪中麥克風或加速計的振動信號可用于確定地形類型。
保持平衡是機器人站立和行走的關鍵部分。為了保持平衡，機器人需要使用觸覺感知來估計其支撐的接觸位置，以及檢測可能導致其失去平衡的障礙物和其他擾動。觸覺感知還可用于學習站立時的觸覺運動映射。機器人步行階段之間的轉換通常由接觸事件所觸發(fā)，例如腳后跟與地面的接觸。在這種場景中可以應用觸覺感應來判斷機器人的腳應該放在哪里，此時通過估計地形類型，機器人可以生成合適的步態(tài)并切換到合適的腿部控制器。
[人機交互（Human–Robot Interaction，HRI）]
除了與無生命物體和地形交互外，機器人還需要與人類進行物理交互。HRI 的應用范圍廣泛，包括穿上衣服、移交物品、與協作機器人的安全交互等。在這些任務中，機器人需要確保相互作用的力是安全的，并且其發(fā)出的力量能夠適應人體。
最新的 HRI 研究進展是探索從觸覺感知的反饋中推斷人類的潛在狀態(tài)和意圖。例如，在移交過程中，機器人可以利用視覺和觸覺反饋來確定人類何時有合適的抓地力并準備好接受對象。類似的，在執(zhí)行協作任務時，如搬運大型物品，機器人通過手腕上的力 / 力矩傳感器測量交互力和扭矩，以執(zhí)行任務并做出相應的反應。
除了執(zhí)行任務外，HRI 還可以用來教機器人從演示中獲得新技能。通過這種方式，機器人可以直接由人類使用力控制器引導。例如，穿衣是日常生活中的一項基本任務，開發(fā)穿衣機器人可以為運動障礙患者提供幫助。利用觸覺信息，機器人可以調整以減小對人的姿態(tài)估計中的誤差，并在提供穿衣輔助的同時，實時跟蹤該人的輪廓和動作。
基于前面關于人類觸覺和機器人觸覺傳感的討論，以下準則可以作為一般機器人系統中觸覺傳感設計的參考[1]：
隨著功能劃分的多樣化和分布式接收器的出現，可以向機器人中引入不同類型的小型傳感器，其中每種傳感器都能以方式測量特定的接觸參數，例如，接觸力和硬度檢測、測量多個接觸參數的觸覺和熱傳感器等等。
在設計機器人的過程中，可以基于身體部位將觸覺傳感器的空間分辨率分布或排列成一個陣列。例如，對于指尖可以設置為 1 毫米左右，相當于指尖大小區(qū)域上大約 15×10 個元素的網格；對于手掌和肩膀等不太敏感的部分，可以設置到 5 毫米。
傳感器應具有高靈敏度和寬動態(tài)范圍，還應該能夠測量力的方向。這一點很重要，因為一般來說，機器人并不掌握真實世界物體的先驗模型。
為機器人所設計的觸覺傳感器應該具備快速響應的功能。如果觸覺反饋用于機器人控制，這一點尤為重要。在機器人應用的控制回路中引入觸覺感知是很重要的，因為從人工肌肉或動覺單獨獲得的接觸信息不足。人體皮膚中不同的機械感受器響應的信號頻率范圍可用于設置傳感器的響應時間要求。一般來說，對于實時接觸，每個觸摸元件的響應速度應為 1ms。
對于人類來說，觸覺數據并不是直接發(fā)送到大腦的。相反，一些處理是在不同層次上進行的，以適應人類神經系統有限的吞吐量。因此，為了減少機器人傳遞到中央處理器的信息量，對于大型觸覺陣列或模塊來說，在感覺位置進行某種程度的預處理（數據選擇、局部計算等）是很重要的。這樣的架構將解放 “機器人大腦” 進行更智能的工作?；蛘撸梢詫⑾到y擴展到幾乎任何數量的傳感器中。
可以將傳感器的彈性覆蓋層設計成在皮膚中有中間和乳頭狀突起的結構。通過將應力集中在傳感元件上，這種結構還可以補償彈性材料的模糊效應。彈性材料表面的乳頭狀脊狀紋理增加了可檢測性。
生物傳感器可以獲得像物體的詳細輪廓這樣的信息，因為皮膚是柔順的，并與物體保持一致。因此，機器人支架應堅固、靈活、舒適、可伸展和柔軟，從而能夠承受溫度、濕度、化學應力、電場、突然力等惡劣條件。當它們分布在身體上時，生物傳感器不應顯著增加機器人連桿 / 部件的直徑 / 厚度。
三、「觸覺傳感」技術應用
3.1 基于粘著控制摩擦的工業(yè)夾具的改進（Improving Industrial Grippers With Adhesion-Controlled Friction）[4]
在制造業(yè)中，有效地處理精密物體是一個具有挑戰(zhàn)性的問題。實現穩(wěn)定的抓取、同時避免施加過大的抓取力是在精密儀器處理任務重引入機器人操作的重要目標。例如，在處理易碎物品時，機器人必須將施加在抓取物體上的力降到低，以防止損壞。再比如，處理可變形物體時，要做到不擠壓就可以抓取物體，以保持物體的形狀或表面特性等特征。
人類在處理類似的問題時，能夠根據對物體重量和初次接觸時形成的摩擦特性的估計，快速調整抓地力。針對這些刺激，人類能夠做到只應用最小的力加上適度的安全空隙程度來執(zhí)行基本的操作而不會滑脫。這種策略使得人能夠有效地與易碎和可變形的物體進行交互。相比之下，大多數機器人很難預測和維持抓住精密物體所需的最小力。
與傳統的使用專門夾具或控制方案的方法不同，本文提出了一種將壁虎式定向粘合劑粘貼到工業(yè)機器人夾持器和觸覺傳感器上的解決方案用以完成機器人處理精密物體的任務。作者將定向的、受到壁虎特性啟發(fā)的粘合劑整合到商業(yè)夾持器的鉗口中，使其能夠抓住非常精細的物體，并以較小的抓握面積抵抗大的發(fā)力瞬間，具體見圖 5。
圖 5. 工業(yè)機器人，利用壁虎啟發(fā)的粘合劑排列在抓爪墊上，可以抓握和操縱腐爛的番茄。它也可以施加相當大的扭矩，僅使用其接觸面的 3/4
3.1.1 方法簡述
摩擦力通常有兩種：一個是由于分子的吸引力和遲滯，另一個是由于分子相互碰撞造成的。前者是一種粘附控制元件，它取決于分子尺度上的實際接觸面積。后者是一個負載控制部件，它依賴于法向力。對于大多數硬材料，前一部分可忽略不計，后一部分提供了摩擦力，該摩擦力隨施加的載荷線性增長。具體見下式：
其中，f_t 表示切向力，f_n 表示法向力，μ表示摩擦系數。對于壁虎式膠粘劑，即使在正常力的作用下，面積依賴性部分通常占主導地位。在靜態(tài)條件下，期望的粘接劑的切向力為正法向力是：
其中，p(x,y)表示觸點給定位置處的壓力，c_1 和 c_a 為常數，A 為接觸面積。同樣，在靜態(tài)條件下，關于垂直于指尖表面的軸的力矩應為：
其中，r=[x,y]表示從 A 的壓力中心到 A 中每個元素的向量。本文工作涉及定向粘合劑，因此常數 c_a 表示粘合劑的選擇加載方向與施加切向力的角度之間的函數：c_a(φ)。具體的，圖 6 示出定向粘合劑的兩種可能的設置方案。
圖 6. 機器人從其重心處撿起物體的圖畫。底部：指尖覆蓋 a）均勻對齊的直楔（θ=0°）和 b）楔體旋轉 ±θ度的人字形圖案所產生的力和扭矩。插圖 c）顯示了墊上壁虎材料的細節(jié)，以匹配 b）的人字形圖案排列。
如果夾持器只需要在一個方向上施加切向力，例如在通過抓住物體的質心來提升物體時，使定向粘合劑與提升方向平行是最有效的方法。然而，操縱通常涉及到圍繞多個軸旋轉抓取的對象。此外，這些物體可能是不均勻的，或者可能無法沿著它們的中心線抓住它們。因此，如圖 6 所示，單機械手的抓取嘗試通常會引入與物體接觸點有關的力矩。然而，當試圖最小化抓取力時，有可能發(fā)生滑動。一個力矩在旋轉中心周圍形成一個圓形的剪切力模式，其中只有一小部分與粘合劑的最強方向對齊。
為了補償上述效果，可以安排具有多個取向的小面積定向粘合劑。圖 7 示出了幾種不同模式的預期結果，假設粘合劑在φ=0 時具有強度，正交方向φ=±90° 處具有最小強度。圖的色標與φ呈線性分布，φ被定義為粘合劑的選擇方向與實際加載方向之間的夾角[見圖 7（d）]。
圖 7. 當產生純逆時針扭矩（a-c）或純向上切向力（b-d）時，直線（a-b）和定向（c-d）壁虎粘合劑設計的效率圖比較。半透明箭頭指示壁虎粘合劑的選擇加載方向
由圖 7 中還可以看出，θ通常應根據指尖的尺寸進行調整。此外，對于矩形表面上的力矩補償，無論切向力補償如何，都應使楔塊朝向如下：
其中，h_f 和 w_f 分別表示指端接觸區(qū)的高度和寬度。相應地選擇θ可以確保楔型與指尖的主對角線平行。
3.1.2 實驗分析
本文實驗采用圖 8 所示的實驗裝置。一個 UR-5 機器人，同時手臂配備了 Robotiq 雙指 85 夾持器和 FT-300 力 / 扭矩感應手腕。每個夾持手指都有一個 7×4 的觸覺傳感器陣列和一個有圖案的定向粘合劑皮膚。這些傳感器的數據與來自機器人手臂編碼器的位置和速度信息相結合，提供了機器人抓取的動態(tài)和靜態(tài)的完整圖像。作者在實驗中，制作了一組特殊的粘合表面，以實現上文介紹的微型楔塊的對角線 “人字形” 圖案。
圖 8. 機器人抓取實驗裝置
實驗中制作了多個壁虎粘合劑面板，面板兩半的方位角以 7.5° 增量變化，從θ=0° 到θ=45°，即從完全垂直于力線（Line of Force）到遠離力線 45° 的位置。接下來，使用每套壁虎膠覆蓋的面板進行各種實驗。實驗中設計了機器人手臂的兩種運動模式。每次運行時，亞克力板上的標稱接觸面（Nominal Surface Contact）逐漸增加，從 25% 開始，然后到 50%、75%，直至最后 100% 覆蓋（通過手動測量和預先編程的抓取點進行調節(jié)）。
實驗過程從一塊大約四分之一英寸厚的剛性附著的丙烯酸板開始。實驗要求是，在規(guī)定的正常力水平下，用涂有粘合劑的兩指夾持器捏住。在實驗過程中，通過調節(jié)夾持器的閉合設定值，可以改變該夾持力。作者在實驗中發(fā)現，對可用設定值的離散化處理使得在飽和致動器和傳感器之前只能在四種確定的、不同的法向力之間變化，而其中只有三種可以被調節(jié)到低壓范圍內。在完成這種捏合之后，第一種運動模式是向上拉動剛性連接的丙烯酸板，從而在指尖的粘合表面上施加純剪切力。第二種運動模式是圍繞接觸面的質心旋轉，這樣一個純力矩就被施加在指尖的粘合劑上。
本文實驗給出了一個法向應力和剪切應力的離散化結果，對應于觸覺陣列中的單元數 N，每個區(qū)域 a_t 具有：
其中，P_i 表示每個壓電傳感器的壓力，F_T 表示由手腕上的力 - 力矩傳感器測量得到的切向力。圖 9（a）給出了每一組測試的圖案粘合劑的剪切應力和法向應力之間的關系。切向力支撐通常采用無角楔塊（在這種情況下，θ=φ=0°）。擬合冪函數清楚地顯示了如下趨勢：隨著θ的增大，容許剪切應力持續(xù)降低，逐漸改變了楔體的方向。此外，觸覺圖像的標準化中心力矩由以下公式給出：
其中，{x_i, y_i}表示壓電傳感器 i 相對于質心的坐標。上式中分子是每個壓電傳感器對腕部總測量力矩的貢獻之和，分母是壓電傳感器和質心之間的平均距離。對分子進行標準化處理，以便在具有不同接觸面積值的數據之間進行更好的比較。標準化力矩由下式得出：
其中，M 是力扭矩傳感器測量的力矩。圖 9（b）示出了不同θ值的歸一化力矩與觸覺圖的歸一化中心力矩之間的關系。與前面的情況相反[圖 9（a）]，允許力矩隨著θ而增大?？紤]到實際接觸面積（A_r）對壓力的依賴性，曲線具有非線性性質。
圖 9. 機器人抓取實驗結果。（a） 運動 1：剪切應力（τ）是不同θ值下法向應力（σ）的函數。其中，對于每個 angle.s 數據集，一個冪函數（y=ax^b）與實驗數據相匹配，以顯示總體趨勢；（b） 運動 2：規(guī)范化扭矩（M），作為不同θ值的歸一化法向應力（μ）的函數
3.1.3 小結
由本文的工作可知，通過預先了解夾持器的性能，引入觸覺傳感裝置，能夠有效將抓握力的精確應用與壁虎膠接觸性能的改進結合起來，進而減少對夾持器控制器本身的要求。例如，可以使用較小的控制器，從而使機械臂上的工具更輕、更安全。這種改變對協作機器人的實際應用是非常有利的。
關于后續(xù)工作，作者認為主要有三個方向：一是，需要針對其它材料和粗糙度的面板進行測試，以驗證本文實驗中觀察到的趨勢是否依然成立；二是，在非平面抓取的理想工作條件下，性能會出現多大程度的下降；三是，可以對動態(tài)情況下的抓取效果進行測試，從而驗證在復雜條件下的操作任務完成情況。
3.2 基于接觸反饋和 GPU 加速機器人仿真的手持式目標姿態(tài)跟蹤（In-Hand Object Pose Tracking via Contact Feedback and GPU-Accelerated Robotic Simulation）[5]
機器人能夠靈巧的進行操縱，得益于其對手持物體姿勢的穩(wěn)健估計。然而，由于存在嚴重的遮擋問題，在機器人手握住和操縱物體時，很難跟蹤物體的姿態(tài)。為了解決機器人操作過程中的手持式（In-Hand）目標跟蹤問題，本文提出將一個 GPU 加速的高保真物理模擬器 [6] 作為前向動力學模型與基于樣本的優(yōu)化框架相結合，以跟蹤具有接觸反饋的物體姿勢（如圖 10 所示）的方法。該方法將機器人控制器發(fā)送到一個 GPU 加速物理模擬器中，該模擬器并行運行許多機器人的狀態(tài)模擬運算，每一個都有不同的物理參數和擾動的物體姿態(tài)。將觀察成本（如來自真實世界和模擬的接觸反饋等）傳遞給基于樣本的無導數優(yōu)化器，該優(yōu)化器定期更新所有模擬的狀態(tài)和參數，以更好地匹配真實世界。在任意時刻，該方法都最終選擇代價低的仿真姿態(tài)作為當前目標的姿態(tài)估計。
無導數優(yōu)化是數學優(yōu)化中的一門學科，它不使用經典意義上的導數信息來尋找解：有時，關于目標函數 f 的導數的信息不可用，不可靠或不切實際。比如本文就用取樣 (Sampling) 來更新和優(yōu)化函數值。
圖 10. 手持式目標姿態(tài)跟蹤框架
3.2.1 方法簡述
首先，作者定義了機械手在物體操縱過程中對手持物體姿態(tài)的跟蹤問題。在某個時刻 t，對象的姿勢表示為 p_t。作者首先定義一個物理動力學模型 s_(t+1)=f(s_t,u_t,θ)，其中 s_t 表示世界狀態(tài)（剛體的位置和速度，以及關節(jié)體中關節(jié)角的大?。?，u_t 表示機器人控制器（使用期望的關節(jié)位置作為動作空間），θ表示模擬的固定參數（如質量和摩擦力）。
對于仿真模型 f，給定初始值 p_0、s_0、θ，只需要回放仿真中機器人的動作序列 u_t 來估計姿態(tài)。然而，由于前向模型不完善，姿態(tài)的初始值有噪聲，可以通過引入觀測反饋（觸覺感知的一種方式）來改進姿態(tài)估計。令 D 表示機器人關節(jié)的數目，L 為它的接觸傳感器的數目。將觀測向量 o_t 定義為機器人 q_t 關節(jié)位置配置值的串聯結果，以及如下定義：R_t（位于指尖上）、感應接觸的力矢量 c_t、接觸面 d_t 上的平移滑移方向上的單位矢量，以及接觸面 R_t 上的旋轉滑移的二元方向，其中 l 表示第 l 個接觸傳感器。一般的手持式姿態(tài)估計問題是：給定當前和過去的觀測值 o_(1:t)，機器人控制器 u_(1:t)，以及初始姿態(tài) p_0，找到當前物體最可能的姿態(tài) p_t。完整流程見算法 1。
首先，通過一個基于視覺（Vision）的物體姿態(tài)估計器來估計物體的初始姿態(tài)。然后，在給定初始目標姿態(tài)估計和機器人配置值的情況下，初始化 K 個并行仿真，并在每一個時間步長 t 內將真實的機器人動作 u_t 復制到所有 K 個仿真中。給定一個成本函數 C，當前時間 t 的姿態(tài)估計是第 i 次模擬的姿態(tài)(p_t)^(i* )，其中第 i 次模擬是在過去某個時間窗口 t 中產生低平均成本的模擬：
使用成本定期更新仿真及其參數，從而可以更好地與真實的機器人對象系統對齊。期望的代價函數與手持式操作的對象姿態(tài)差異相關，因此，較低的成本即對應于較好的姿態(tài)估計。本文使用的成本函數的形式如下：
對于成本函數中的第一項（比較模擬環(huán)境和真實世界機器人之間的 q_t）的作用在于，即使它們共享相同的 u_t，依賴于與機器人手接觸的物體當前姿態(tài)施加的碰撞約束不同，q_t 也可能會不同。在上式中，如果接觸式傳感器的力的值大于閾值，則該傳感器處于接觸狀態(tài)。當第 i 次仿真的第 l 個接觸傳感器的二元接觸狀態(tài)與真實接觸傳感器的接觸狀態(tài)一致時，α_(i,l)為 1，否則，α_(i,l)為 0。類似的，當第 i 次仿真的第 l 個接觸傳感器與實際接觸傳感器在是否發(fā)生平移滑動的狀態(tài)方面都是一致的，β_(i,l)為 1，否則，β_(i,l)為 0。γ_(i,l)表征旋轉滑動的類似情況。設置成本項的權重 w_s，使每個項的相應平均量大致歸一化為 1。
然而通過仿真進行目標姿態(tài)估計存在兩個不確定性：一是，基于視覺的姿態(tài)估計器的初始姿態(tài)估計 p_0 是有噪聲的；二是，模擬的和真實世界的動力學之間存在不匹配的問題，這些不匹配一部分是由于不完善的建模所造成的，而另一部分則是由未知的真實世界中的物理參數引起的。
為了解決第一個問題，作者通過從以視覺為中心的估計姿態(tài)分布中采樣的方式，來實現在不同的模擬中擾動生成初始姿態(tài)估計：
此外，作者還增加了模擬次數 K（本文實驗中 K=40）。當 K 值足夠大，那么真實的初始姿態(tài)很有可能在一組仿真中得到充分的表示，之后通過優(yōu)化代價函數就能夠找到這個正確的姿態(tài)進行仿真。
為了對初始對象姿態(tài)進行采樣，作者分別對平移和旋轉的狀態(tài)進行采樣。其中，平移從各向同性正態(tài)分布中采樣，而旋轉采樣通過在 so(3)中繪制零均值、各向同性切線向量來實現，之后將其應用于平均旋轉中。
SO(3)是包含旋轉矩陣 R 的一種特殊正交群，一般稱之為三維旋轉群。在三維空間中，三維旋轉群組表示能在合成算子的作用下，圍繞原點旋轉的群組。旋轉能保持被旋轉向量的長度和相對矢量方向，同時是線性的。在機器人學中，這種旋轉十分重要，它能標志剛體在三維空間中的旋轉：剛體精確地要求在運動時保持剛體內部的距離、角度和相對方向，否則，就不能能稱為剛體。
為了解決第二個問題，作者提出使用無導數、基于樣本的優(yōu)化算法在姿態(tài)跟蹤過程中調整模擬和真實世界的動力學之間存在的不匹配。具體地說，在每個 T 時間步長之后，將在這個窗口期間所有模擬的平均成本，以及模擬狀態(tài)、參數傳遞給指定的優(yōu)化器。優(yōu)化器使用自己更新的參數確定下一組仿真。下一個集合中的模擬是從當前集合的模擬中取樣的，并對模擬參數和對象姿態(tài)添加一些擾動。這種探索過程保持了仿真的多樣性，防止了由于觀測噪聲而陷入次優(yōu)的仿真參數或狀態(tài)。
最后，為了優(yōu)化 K 模擬的參數，使其模擬狀態(tài)更接近真實世界，作者提出并評估了三個無導數、基于樣本的優(yōu)化器。
1）加權重采樣（Weighted Resampling ，WRS): WRS 基于現有的模擬狀態(tài) s^(1:K)構建了一個概率質量函數（Probability Mass Function，PMF），并從該分布中抽取 K 次替換，以形成下一組模擬。為了形成 PMF，WRS 在模擬成本上應用 softmax：
其中，λ它決定了分布的清晰度。重新采樣后，通過擾動模擬參數和對象姿態(tài)對所有模擬進行探索。
2） 相對熵策略搜索（Relative Entropy Policy Search，REPS）: 本文使用基于樣本的 REPS 變量來計算每個模擬的權重，并從這些權重的 softmax 形成的分布中進行采樣。WRS 使用一個固定的參數λ來構造分布，REPS 求解自適應溫度參數η，該參數在舊樣本分布和更新樣本分布之間的 KL 散度約束條件下，能夠較好地改善總體分布的性能。為了使用 REPS，利用下式將代價重構為獎勵：
通過優(yōu)化一個對偶函數 g(η)來計算η，之后使用η構建 REPS
重采樣后，會以與 WRS 相同的方式對每個模擬進行擾動處理。
3） 基于群體的優(yōu)化（Population-Based Optimization，PBO）：受基于人群的訓練（Population-Based Training ，PBT）方法啟發(fā)[7]，PBO 首先根據平均成本對所有模擬進行排序，并找到成本低的最優(yōu) K_best 模擬。然后，通過將剩余的 K-K_best 模擬替換為 K_best 模擬的副本，并對其進行替換取樣后再進行利用。最后，仍然以與 WRS 相同的方式對 K_best 模擬進行擾動處理。
3.2.2 實驗分析
作者使用由 Allegro Hand 搭配 Kuka IIWA7 的機械手臂，通過仿真和真實世界的實驗來評估本文提出的方法的性能。在仿真實驗中，首先用手跟蹤操作系統采集手部目標的操縱軌跡，然后通過離線運行本文提出的算法來評估姿態(tài)估計誤差。對于真實世界的實驗，作者使用 PoseRBPF[8]，一種最新的基于 RGB-D 的粒子濾波的姿態(tài)估計算法來獲得物體的初始和最終姿態(tài)，同時將這些初始和最終目標姿態(tài)視為真實值，并將最終姿態(tài)與本文提出的算法預測的姿態(tài)進行比較。
作者將 4 指 16 自由度的 Allegro Hand 安裝在 7 自由度 Kuka IIWA7 機器人手臂上。為了獲得真實世界中的接觸反饋，將 SynTouch BioTac 傳感器連接到每個指尖。
實驗中使用耶魯 - 哥倫比亞大學 - 伯克利分校（Yale-Columbia-Berkeley，YCB）對象數據集中的 3 個對象（垃圾郵件罐、泡沫磚和玩具香蕉），以及文獻 [9] 中發(fā)布的數據集中獲得的模型、紋理和點云。之所以選擇這些物體，是因為它們適合 Allegro Hand 的大小，而且足夠輕，因此可以形成堅固的精密抓握（作者清空了垃圾郵件罐，以減輕其重量）。
對于每一個目標對象，在模擬實驗和真實世界的實驗中，作者給出了兩種操作軌跡的演示：1）用手指抓握和手內物體旋轉來拾取和放置，以及 2）相同的操作但在抓取過程中指尖斷開并重新建立接觸（手指轉動）。演示給出了總共 24 條軌跡，用于模擬和真實世界實驗的分析。在這兩種操作的軌跡類型中，目標對象都會因慣性力和與工作臺的推力接觸而發(fā)生平移和旋轉滑動。每個軌跡持續(xù)一分鐘左右。假設可以在大約 30Hz 的頻率下運行姿態(tài)估計算法，最終得到的每個軌跡總共大約 2k 幀。除了本文建議的優(yōu)化器（WRS、REPS、PBO），作者還評估了以下兩個基線方法：開環(huán)（Open Loop，OLP）和標識（Identity，EYE）。OLP 使用 1 個模擬來跟蹤對象的姿勢。EYE 使用一組有噪聲的初始姿態(tài)進行初始化，并且總是選擇成本低的模擬姿態(tài)，但它不執(zhí)行任何重新采樣或優(yōu)化器更新處理。最后，本文使用平均距離偏差（Average Distance Deviation，ADD）作為評估指標。ADD 計算真實姿勢和預測姿勢的對象點云中相應點之間的平均距離。
圖 11 給出模擬環(huán)境中的實驗結果。其中，黑色垂直線的長度表示 1 個標準偏差。優(yōu)化方法通常具有較低的平均值和方差，但它們的相對排序取決于初始姿態(tài)噪聲的大小。REPS 和 PBO 分別在 5.8mm 和 5.9mm 的中等噪聲條件下獲得了的 ADD 性能。由圖 11 可知，ADD 隨著初始姿態(tài)誤差的增加而增大，而基于優(yōu)化器方法的 ADD 值相對較小。雖然 EYE 有時可以獲得與使用優(yōu)化器的方法相當的效果，但后者通常具有較小的誤差方差和較大的誤差。在中等噪聲的情況下，REPS 和 PBO 的最優(yōu) ADD 值分別為 5.8mm 和 5.9mm。
圖 11. 在所有模擬實驗中，不同優(yōu)化器對初始姿態(tài)噪聲水平的姿態(tài)跟蹤誤差比較
圖 12. 真實世界中 3 個物體的姿態(tài)跟蹤實驗
圖 12 給出真實世界中的實驗結果。其中，ADD 值比模擬環(huán)境中實驗的結果 ADD 值都要高，一方面，這是由于與具有不同參數的仿真相比，真實世界的動力學與仿真之間的差異更大；另一方面，真實世界中的觀察值存在比模擬環(huán)境中更嚴重的噪聲問題。由圖 12 可以看出，沒有優(yōu)化器能夠有效跟蹤玩具香蕉的真實數據，由于物體（香蕉）的長力臂和低摩擦系數，使得其滑動行為難以精確建模。這是本文算法的一種失敗模式，如果所有的模擬都發(fā)散，那么算法將無法在隨后的優(yōu)化程序更新中恢復。
3.2.3 小結
本文提出了一種基于樣本的優(yōu)化算法，通過接觸反饋和 GPU 加速機器人仿真來跟蹤手部目標的姿態(tài)。并行仿真同時保持了對真實世界和模型對象姿態(tài)變化的多種狀態(tài)估計，這些變化是由復雜的接觸動力學引起的。優(yōu)化算法在目標姿態(tài)跟蹤過程中調整仿真參數，進一步提高跟蹤性能。在未來的工作中，作者計劃向優(yōu)化的循環(huán)中引入接觸傳感（Contact Sensing）與基于視覺的姿態(tài)跟蹤。
四、文章小結
本文對人類和機器人的觸覺傳感知識進行了簡單的梳理和探討，并以此為基礎給出了兩篇論文中的應用實例。針對人類如何運用觸覺信號來探索、感知，以及學習如何操縱、控制物體，研究人員已經進行了大量的深入分析。然而，生物系統處理感官信息以控制行為的方式，未必總是適合直接應用于機器人的工程解決方案中。不過，它們提供了關于行為生物體如何對動態(tài)變化的環(huán)境做出反應的參考，也提供了一個機器人開發(fā)和應用的多層次概念框架。研究人員可以在這個框架內進行對機器人系統傳感器的總體設計。
系統的整體性能不僅取決于單個系統元素的獨立質量，還取決于它們的集成方式。用亞里士多德的話來說，“整體比它的某些部分更重要（“the whole is more than some of its parts ）。”在設計觸覺傳感設備時，考慮到各種系統約束對于最終實現機器人的自動控制非常有用。這就需要在不同的層次上理解傳感器系統的體系結構，從感知外部刺激到刺激的結果。在將人工觸覺傳感技術應用于真實世界環(huán)境之前，還需要進行大量的系統級工作。這將為今后開發(fā)實用、經濟的觸覺傳感系統奠定基礎。將觸覺傳感器有效地應用于機器人中，不僅可以促進機器人學的研究，還將有助于理解人類與環(huán)境的相互作用。
重慶分公司
重慶分公司
