UniTac-NV: Eine vereinheitlichte taktile Repräsentation für taktile Sensoren ohne visuelle Basis

Generalisierbare Algorithmen für taktiles Sensing sind nach wie vor wenig erforscht, hauptsächlich wegen der Vielfalt der Sensormodalitäten. Kürzlich wurden viele Methoden für den Sensortausch zwischen optischen (visionsbasierten) taktilen Sensoren untersucht, doch wenig Arbeit konzentriert sich auf nicht-optische taktile Sensoren. Um diese Lücke zu schließen, schlagen wir eine Encoder-Decoder-Architektur vor, um taktile Daten über nicht visionsbasierte Sensoren hinweg zu vereinheitlichen. Durch die Nutzung sensorspezifischer Encoder schafft das Framework einen latenten Raum, der sensorunabhängig ist, was einen Datentransfer zwischen Sensoren mit niedrigen Fehlern und eine direkte Nutzung in nachgelagerten Anwendungen ermöglicht. Wir nutzen dieses Netzwerk, um taktile Daten von zwei kommerziellen taktilen Sensoren zu vereinheitlichen: dem Xela uSkin uSPa 46 und dem Contactile PapillArray. Beide wurden an einem UR5e-Roboterarm montiert, der kraftkontrollierte Drucksequenzen gegen unterschiedliche Objektformen (kreisförmige, quadratische und sechseckige Prismen) und zwei Materialien (starres PLA und flexibles TPU) ausführte. Ein weiteres, komplexeres unbekanntes Objekt wurde ebenfalls einbezogen, um die Generalisierungsfähigkeit des Modells zu untersuchen. Wir zeigen, dass die Ausrichtung im latenten Raum implizit durch gemeinsames Autoencoder-Training mit passenden Kontakten, die über verschiedene Sensoren gesammelt wurden, erlernt werden kann. Darüber hinaus demonstrieren wir den praktischen Nutzen unseres Ansatzes anhand der Schätzung der Kontaktgeometrie, wobei nachgelagerte Modelle, die auf der latenten Repräsentation eines Sensors trainiert wurden, direkt auf einen anderen Sensor angewandt werden können, ohne dass eine erneute Schulung erforderlich ist.