What Matters for Active Texture Recognition With Vision-Based Tactile Sensors

要約

この論文では、ロボットによる知覚と布地テクスチャの分類に視覚ベースの触覚センサーを使用するアクティブ センシング戦略について検討します。
私たちは、触覚ファブリック認識のコンテキストでアクティブ サンプリング問題を形式化し、予測エントロピーと確率モデルの分散の最小化に基づいた情報理論的探索戦略の実装を提供します。
私たちは、アブレーション研究や人体実験を通じて、迅速かつ信頼性の高いテクスチャ認識にどのコンポーネントが重要であるかを調査します。
アクティブなサンプリング戦略に加えて、ニューラル ネットワーク アーキテクチャ、不確実性の表現、データ拡張の影響、およびデータセットの変動性を評価します。
以前に公開されたアクティブ衣類知覚データセットと実際のロボット システムで私たちの方法を評価することにより、アクティブ探索戦略の選択が認識精度に与える影響はわずかである一方、データの増強とドロップアウト率が非常に大きな役割を果たしていることが証明されました。
。
比較研究では、人間は 66.9% の認識精度を達成していますが、当社の最良のアプローチは 5 回未満のタッチで 90.0% に達しており、視覚ベースの触覚センサーが生地の質感認識に非常に効果的であることが強調されています。

要約(オリジナル)

This paper explores active sensing strategies that employ vision-based tactile sensors for robotic perception and classification of fabric textures. We formalize the active sampling problem in the context of tactile fabric recognition and provide an implementation of information-theoretic exploration strategies based on minimizing predictive entropy and variance of probabilistic models. Through ablation studies and human experiments, we investigate which components are crucial for quick and reliable texture recognition. Along with the active sampling strategies, we evaluate neural network architectures, representations of uncertainty, influence of data augmentation, and dataset variability. By evaluating our method on a previously published Active Clothing Perception Dataset and on a real robotic system, we establish that the choice of the active exploration strategy has only a minor influence on the recognition accuracy, whereas data augmentation and dropout rate play a significantly larger role. In a comparison study, while humans achieve 66.9% recognition accuracy, our best approach reaches 90.0% in under 5 touches, highlighting that vision-based tactile sensors are highly effective for fabric texture recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google