What Matters for Active Texture Recognition With Vision-Based Tactile Sensors

本文探讨了使用基于视觉的触觉传感器的主动感知策略，用于机器人对织物纹理的感知和分类。我们在触觉织物识别的背景下规范了主动采样问题，并提供了基于最小化概率模型的预测熵和方差的信息论探索策略的实现。通过消融研究和人体实验，我们研究了哪些组件对于快速可靠的纹理识别至关重要。除了主动采样策略外，我们还评估了神经网络架构、不确定性表示、数据增强和数据集变异性的影响。通过在先前发布的主动服装感知数据集和真实机器人系统上评估我们的方法，我们确定了主动探索策略的选择仅对识别准确性产生微小影响，而数据增强和丢失率扮演了更重要的角色。在比较研究中，尽管人类的识别准确率为66.9％，但我们的最佳方法在不到5次触摸下达到了90.0％，突显了基于视觉的触觉传感器对于织物纹理识别的高效性。

本文旨在探讨采用基于视觉的触觉传感器的主动感知策略，用于机器人感知和分类织物纹理的问题。作者试图验证这种方法是否可以提高织物纹理识别的准确性和效率。

本文提出了基于信息论的探索策略，通过最小化概率模型的预测熵和方差来实现。作者还评估了神经网络架构、不确定性表示、数据增强和数据集变异性等因素对实验结果的影响。

本文的实验结果表明，基于视觉的触觉传感器对于织物纹理识别非常有效。在已有的数据集上，本文的最佳方法在不到5次触摸的情况下可以达到90.0%的识别准确性，超过了人类的66.9%。此外，本文还开源了相关代码。

最近的相关研究包括：1.《Tactile-based Active Object Recognition Using Point Clouds》；2.《Tactile-based Material Recognition Using Convolutional Neural Networks》；3.《Tactile-based Object Recognition with Deep Learning》等。