Object Recognition, Dynamic Contact Simulation, Detection, and Control of the Flexible Musculoskeletal Hand Using a Recurrent Neural Network with Parametric Bias

灵活的肌肉骨骼手难以建模，其模型可能会因为随时间的恶化、初始化的不可重复性等原因而不断变化。此外，为了进行物体识别、接触检测和使用手进行接触控制，最好不要使用为每个任务训练的神经网络，而是只使用一个集成网络。因此，我们开发了一种使用带参数偏差的递归神经网络来获取肌肉骨骼手传感器状态方程的方法。通过使用这个网络，手可以实现对抓取物体的识别、接触模拟、检测和控制，并且可以通过更新参数偏差来应对随时间的恶化、初始化的不可重复性等问题。我们将这项研究应用于肌肉骨骼人形机器人Musashi的手，并展示了其有效性。

论文旨在通过使用循环神经网络和参数偏置来获取肌肉骨骼手的传感器状态方程，以解决肌肉骨骼手建模和稳定性方面的问题。

使用循环神经网络和参数偏置来获取肌肉骨骼手的传感器状态方程，实现对象识别、接触模拟、检测和控制，同时通过更新参数偏置来应对随时间的劣化、初始化的不可重复性等问题。

论文采用了循环神经网络和参数偏置的方法来解决肌肉骨骼手建模和稳定性方面的问题，并应用于Musashi肌肉骨骼人手，展示了其有效性。实验设计了对象识别、接触模拟、检测和控制等任务，并使用了肌肉骨骼人手的数据集。论文没有提供开源代码。值得进一步研究的工作包括如何进一步提高肌肉骨骼手的稳定性和精度。

在这个领域中，最近的相关研究包括：1.《Deep Learning for Robotics: A Brief Survey》；2.《A Deep Learning Framework for Robotic Grasping with Tactile Sensors》；3.《A Review of Tactile Sensing Technologies with Applications in Medical Robotics》。