Efficient Tactile Perception with Soft Electrical Impedance Tomography and Pre-trained Transformer

要約

触覚センシングはロボットシステムにとって基本的なものであり、様々なタスクにおいて物理的な接触を通じたインタラクションを可能にする。その重要性にもかかわらず、高解像度で大面積の触覚センシングの実現は依然として困難である。エレクトリカル・インピーダンス・トモグラフィ（EIT）は、ロボット工学における複雑な接触問題を解決するのに適した、最小限の電極要件で大面積の分散型触覚センシングを実現する有望なアプローチとして登場しました。しかし、既存のEITに基づく触覚再構成法は、高い計算コストに悩まされたり、膨大な注釈付きシミュレーションデータセットに依存したりすることが多く、実環境での実行可能性を妨げている。この欠点に対処するために、我々は、EITベースの触覚再構成のための事前訓練された変換器（PTET）を提案する。PTETは、シミュレーションデータ上の自己教師付き事前訓練と、限られた実世界データによる微調整を活用することで、シミュレーションと現実のギャップを埋める学習ベースのフレームワークである。シミュレーションにおいてPTETは、同等の最新アプローチ（2,500サンプル対450,000サンプル）と比較して、99.44パーセント少ないアノテーションサンプル数で、同一データ条件下で最大43.57パーセントの再構成性能向上を達成しました。さらに、実データを用いたファインチューニングにより、PTETはシミュレーションと実験のデータセット間の不一致を克服し、実用的なシナリオにおいて優れた再構成と詳細な復元を達成することができます。実世界のタスクにおける再構成精度、データ効率、ロバスト性の向上により、PTETはロボット工学における触覚センシングシステム、特に様々な圧力条件下での物体ハンドリングや適応的把持のためのスケーラブルで実用的なソリューションとして確立されました。

要約(オリジナル)

Tactile sensing is fundamental to robotic systems, enabling interactions through physical contact in multiple tasks. Despite its importance, achieving high-resolution, large-area tactile sensing remains challenging. Electrical Impedance Tomography (EIT) has emerged as a promising approach for large-area, distributed tactile sensing with minimal electrode requirements which can lend itself to addressing complex contact problems in robotics. However, existing EIT-based tactile reconstruction methods often suffer from high computational costs or depend on extensive annotated simulation datasets, hindering its viability in real-world settings. To address this shortcoming, here we propose a Pre-trained Transformer for EIT-based Tactile Reconstruction (PTET), a learning-based framework that bridges the simulation-to-reality gap by leveraging self-supervised pretraining on simulation data and fine-tuning with limited real-world data. In simulations, PTET requires 99.44 percent fewer annotated samples than equivalent state-of-the-art approaches (2,500 vs. 450,000 samples) while achieving reconstruction performance improvements of up to 43.57 percent under identical data conditions. Fine-tuning with real-world data further enables PTET to overcome discrepancies between simulated and experimental datasets, achieving superior reconstruction and detail recovery in practical scenarios. The improved reconstruction accuracy, data efficiency, and robustness in real-world tasks establish it as a scalable and practical solution for tactile sensing systems in robotics, especially for object handling and adaptive grasping under varying pressure conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL