Optimierung der BioTac-Simulation für realistische taktile Wahrnehmung

Taktile Sensorik bietet eine vielversprechende Möglichkeit, die Interaktionsfähigkeiten heutiger Roboter zu verbessern. BioTac ist ein häufig verwendeter taktiler Sensor, der es Robotern ermöglicht, physische taktile Reize wahrzunehmen und darauf zu reagieren. Allerdings stellt die Nichtlinearität des Sensors eine Herausforderung bei der Simulation seines Verhaltens dar. In dieser Arbeit untersuchen wir zunächst eine BioTac-Simulation, die Temperatur, Kraft und Positionen der Kontaktpunkte nutzt, um die Sensorsignale vorherzusagen. Wir zeigen, dass das Training mit BioTac-Temperaturmessungen keine genauen Vorhersagen der Sensorsignale während des Einsatzes liefert. Daher testeten wir drei alternative Modelle, nämlich einen XGBoost-Regressor, ein neuronales Netzwerk und einen Transformer-Encoder. Wir trainieren diese Modelle ohne Temperaturmessungen und liefern eine detaillierte Untersuchung der Fenstergröße der Eingabevektoren. Wir demonstrieren, dass wir statistisch signifikante Verbesserungen gegenüber dem Basisnetzwerk erreichen. Darüber hinaus zeigen unsere Ergebnisse, dass der XGBoost-Regressor und der Transformer die traditionellen Feed-Forward-Neuronalen Netzwerke bei dieser Aufgabe übertreffen. Wir stellen unseren gesamten Code und die Ergebnisse online unter https://github.com/wzaielamri/OptimizingBioTacSimulation zur Verfügung.