HyperTaxel: Hyper-Resolution for Taxel-Based Tactile Signals Through Contrastive Learning

要約

人間と同等の器用さを実現するには、ロボットが触覚センサーのデータをインテリジェントに処理する必要があります。
タクセルベースの触覚信号は、空間解像度が低く、表現が標準化されていないことがよくあります。
この論文では、空間解像度に関連する課題に対処するために、タクセルベースの触覚信号の幾何学的情報に基づいた表現を学習するための新しいフレームワーク HyperTaxel を提案します。
この表現と対照的な学習目標を使用して、まばらな低解像度のタキセル信号をエンコードして高解像度の接触表面にマッピングします。
これらの信号に固有の不確実性に対処するために、複数の同時接触にわたる同時確率分布を活用して、タクセルの超解像度を向上させます。
2 つのベースラインと比較することで表現を評価し、表現がベースラインを上回っていることを示唆する結果を提示します。
さらに、学習された表現が平坦度、曲率、エッジなどの接触面の幾何学的特徴を捉え、さまざまな物体やセンサー構成にわたって一般化できることを示す定性的結果を提示します。
さらに、私たちの表現が表面分類、6D 手の姿勢推定、シムからリアルへの変換など、さまざまな下流タスクのパフォーマンスを向上させることを示唆する結果を示します。

要約(オリジナル)

To achieve dexterity comparable to that of humans, robots must intelligently process tactile sensor data. Taxel-based tactile signals often have low spatial-resolution, with non-standardized representations. In this paper, we propose a novel framework, HyperTaxel, for learning a geometrically-informed representation of taxel-based tactile signals to address challenges associated with their spatial resolution. We use this representation and a contrastive learning objective to encode and map sparse low-resolution taxel signals to high-resolution contact surfaces. To address the uncertainty inherent in these signals, we leverage joint probability distributions across multiple simultaneous contacts to improve taxel hyper-resolution. We evaluate our representation by comparing it with two baselines and present results that suggest our representation outperforms the baselines. Furthermore, we present qualitative results that demonstrate the learned representation captures the geometric features of the contact surface, such as flatness, curvature, and edges, and generalizes across different objects and sensor configurations. Moreover, we present results that suggest our representation improves the performance of various downstream tasks, such as surface classification, 6D in-hand pose estimation, and sim-to-real transfer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google