Data-efficient Tactile Sensing with Electrical Impedance Tomography

要約

電気インピーダンス断層撮影（EIT）に触発された触覚センサーは、まばらな電極構成での費用対効果、安全性、スケーラビリティにより、ロボット触覚センシングに注目を集めています。
このホワイトペーパーでは、元の単一フレーム信号測定を32個の異なる効果的なシグナルデータにトレーニング用に増幅する学習ベースの触覚再建のためのデータ増強戦略を提示します。
このアプローチは、位置情報の回収されていない条件を補完し、より正確で高解像度の触覚再構成をもたらします。
EITのデータ増強により、必要なEIT測定値が大幅に減少し、サンプルが限られていることで有望なパフォーマンスを達成します。
シミュレーション結果は、提案された方法が相関係数を12％以上改善し、さまざまなノイズレベルで相対誤差を21％以上減らすことを示しています。
さらに、提案されたデータ増強を利用する標準的なディープニューラルネットワーク（DNN）により、同様の触覚再建品質を達成しながら、必要なデータが1/31に減少することを実証します。
実際のテストは、柔軟なEITベースの触覚センサーに対するアプローチの有効性をさらに検証します。
これらの結果は、利用可能な測定が限られているトレーニング触覚センシングネットワークの課題に対処し、EITベースの触覚センシングシステムの精度と適用性を改善するのに役立ちます。

要約(オリジナル)

Electrical Impedance Tomography (EIT)-inspired tactile sensors are gaining attention in robotic tactile sensing due to their cost-effectiveness, safety, and scalability with sparse electrode configurations. This paper presents a data augmentation strategy for learning-based tactile reconstruction that amplifies the original single-frame signal measurement into 32 distinct, effective signal data for training. This approach supplements uncollected conditions of position information, resulting in more accurate and high-resolution tactile reconstructions. Data augmentation for EIT significantly reduces the required EIT measurements and achieves promising performance with even limited samples. Simulation results show that the proposed method improves the correlation coefficient by over 12% and reduces the relative error by over 21% under various noise levels. Furthermore, we demonstrate that a standard deep neural network (DNN) utilizing the proposed data augmentation reduces the required data down to 1/31 while achieving a similar tactile reconstruction quality. Real-world tests further validate the approach’s effectiveness on a flexible EIT-based tactile sensor. These results could help address the challenge of training tactile sensing networks with limited available measurements, improving the accuracy and applicability of EIT-based tactile sensing systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google