工业行业人形机器人再探讨：视触觉融合

视触觉融合为未来趋势，基于感知的运控系统有望取代传统位控机器人纯视觉抓取方案包括目标检测和位姿估计，其易受光线、背景复杂度等环境因素干扰，无法获取物体内部属性；纯触觉抓取可获取物体属性和与抓取相关的交互信息，但难度大，不适用于无接触场景。视触觉融合感知抓取可有效克服单模态感知获取信息量和使用场景的局限性，提高抓取成功率。传统的机器人运动控制技术主要基于摄像头或雷达的输入信号进行位置控制，适应性和灵活性低，控制精度和稳定性差。多模态运控结合力/触觉反馈信号与视觉图像等输入信号，通过融合算法实现感知与执行动态反馈的运控系统，有望取代传统的位控系统，提高机器人智能化水平。
纯视觉抓取包括目标检测和位姿估计，易受环境干扰且成功率较低纯视觉抓取是指机器人通过视觉传感器获取图像，以实现抓取过程中的目标检测和位姿估计。常用人形机器人视觉传感器包括可获取三维数据的多目立体相机和TOF 相机。目标检测算法处理信号进行分类识别，包括SIFT 等两阶段网络算法和YOLO、SSD 等单阶段网络算法。位姿估计算法运用深度学习得到最佳的机器人抓取位姿方案，目前应用较多的算法主要基于回归和检测。纯视觉抓取的优点是视觉信息较易获取，较为成熟；缺点是易受光线等环境因素干扰。现有机器人在复杂环境中视觉抓取的成功率较低，且无法获取物体内部属性，抓取易损坏物品的成功率低。
纯触觉抓取包括物体识别和抓取评估，信息丰富精确但物体定位难度大纯触觉抓取是指机器人通过触觉传感器获取物体的材料、刚性和纹理等内部属性，以及与物体接触的位置、力等交互信息，实现物体识别和抓取。触觉感知涉及的算法包括材质识别算法、抓取状态识别算法和滑动方向检测算法等，普遍通过神经网络等深度学习模型实现。触觉感知的优点是可获取较视觉更为直接、丰富、精确的本体感觉。现有触觉感知机器人在抓取表面特性不确定的物体可达到较高成功率；缺点是物体位置信息获取难度大，较难实现对目标物体的定位。
视触觉融合克服单模态感知局限性，提高抓取成功率视触觉融合感知将高效目标检测能力（视觉感知）与直接交互能力（触觉感知）结合，能有效克服单模态感知获取信息量和使用场景的局限性。由于视觉和触觉具有不同的传感原理、数据结构和数据量，且采集过程中得到的视触觉信息往往针对物体的不同特征，在弱配对条件下实现关联学习是视触觉融合算法的重点。随着机器学习算法的发展，视触觉融合感知逐渐取得突破。
现已有研究采用三维卷积神经网络等深度学习算法以及联合组核稀疏编码模型实现视触觉信息的数据融合。实验室场景中视触觉融合抓取成功率较视觉抓取提高24%，易损坏物品抓取成功率大幅提升。
基于感知的运控系统可提升机器人智能化程度，有望取代传统位控传统的机器人运动控制技术主要基于摄像头或雷达的输入信号进行位置控制，适应性和灵活性低，控制精度和稳定性差。多模态运控结合力/触觉反馈信号与视觉图像等输入信号，通过融合算法实现感知与执行动态反馈的运控系统。多模态运动控制系统能够提高机器人在复杂环境中的智能化水平。
例如，在抓取任务中，视触觉融合算法可根据物体材质、形状与位置综合确定最优抓取方案，并实时控制抓取力度。目前多模态运动控制技术已被应用于人形机器人自适应抓取、掌内姿态估计等抓取操作任务，未来有望取代传统的位控系统。
风险提示：人形机器人量产不及预期、视触觉融合算法应用进度不及预期、视触觉融合算法研究不及预期等。
【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。

   【免责声明】本文仅代表第三方观点，不代表和讯网立场。投资者据此操作，风险请自担。