HyperTaxel: Hyper-Resolution for Taxel-Based Tactile Signals Through Contrastive Learning

为了达到与人类相当的灵活性，机器人必须智能地处理触觉传感器数据。基于taxel的触觉信号通常具有低空间分辨率，且表示方式不标准化。本文提出了一个新的框架HyperTaxel，用于学习一个基于几何信息的taxel触觉信号表示，以解决与其空间分辨率相关的挑战。我们使用这个表示方法和对比学习目标，将稀疏低分辨率的taxel信号编码和映射到高分辨率的接触面上。为了解决这些信号固有的不确定性，我们利用多个同时接触的联合概率分布来提高taxel的超分辨率。我们通过与两个基线的比较来评估我们的表示方法，并呈现结果表明我们的表示方法优于基线。此外，我们呈现了定性结果，证明了学习到的表示方法捕捉到了接触面的几何特征，如平坦度、曲率和边缘，并且在不同的物体和传感器配置下具有泛化能力。此外，我们呈现了结果，表明我们的表示方法提高了各种下游任务的性能，例如表面分类、6D手持姿态估计和模拟到现实的转换。

如何处理低空间分辨率的触觉传感器数据，以实现机器人的灵巧性？

使用HyperTaxel框架，通过学习几何感知表示和对比学习目标，将稀疏的低分辨率触觉信号编码和映射到高分辨率的接触表面，并利用多个同时接触的联合概率分布来提高超分辨率。

实验结果表明，HyperTaxel框架优于两个基准模型，并且能够捕捉接触表面的几何特征，并在不同的对象和传感器配置之间进行泛化。此外，HyperTaxel框架还能提高各种下游任务的性能，如表面分类、6D手持姿态估计和模拟到现实的转换。

近期的相关研究包括：'Tactile-based Object Recognition and Manipulation: A Review'，'Tactile Sensing and Control for Intelligent Grasping and Manipulation: A Review'，'Deep Learning for Tactile Understanding: A Review'等。