AnySkin: Gắn cảm biến chạm lên robot để học các tác vụ siêu chính xác

AnySkin: cảm biến chạm cho robot dạng cắm là chạy

• Tóm tắt

  • Cảm nhận xúc giác được công nhận là một phương thức cảm nhận quan trọng, nhưng vẫn được օգտագործ dụng ít hơn so với thị giác và cảm nhận bản thể
  • AnySkin giải quyết các thách thức chính đang cản trở việc phát triển các giải pháp hiệu quả bằng cách xử lý các vấn đề về tính đa dụng, khả năng thay thế và khả năng tái sử dụng dữ liệu
  • Dựa trên thiết kế đơn giản của ReSkin, hệ thống tách phần điện tử cảm biến khỏi giao diện cảm biến để đơn giản hóa việc tích hợp
  • AnySkin là cảm biến đầu tiên cung cấp khả năng khái quát hóa giữa các phiên bản của chính sách thao tác đã được học

• Đóng góp chính

  • Giới thiệu quy trình chế tạo được đơn giản hóa và công cụ thiết kế để tạo ra cảm biến xúc giác từ tính bền, không cần keo dán và có thể thay thế dễ dàng
  • Đặc tính hóa việc phát hiện trượt và học chính sách bằng cảm biến AnySkin
  • Trình diễn việc mô hình được học trên một phiên bản AnySkin có thể khái quát hóa sang phiên bản mới, đồng thời so sánh với các giải pháp xúc giác hiện có như DIGIT và ReSkin

• Đặc điểm của AnySkin

  • Là cảm biến da được tạo ra cho chạm robot, dễ lắp ráp, tương thích với nhiều đầu công tác robot khác nhau và có thể khái quát hóa sang các phiên bản da mới
  • Phát hiện tiếp xúc thông qua sự biến dạng từ trường được tạo ra trên bề mặt cảm biến có các hạt sắt đã được từ hóa
  • Bề mặt linh hoạt được tách rời vật lý khỏi phần điện tử nên có thể thay thế dễ dàng khi bị hỏng

Học chính sách và khả năng thay thế da

• Ví dụ video
  • Chính sách bắt chước hành vi đã học vẫn duy trì thành công trên ba tác vụ ngay cả khi thay da
  • Quẹt thẻ
  • Cắm phích
  • Cắm USB

Kết quả khái quát hóa giữa các phiên bản

• Phát hiện trượt

  • AnySkin có thể phát hiện sự trượt của vật thể đang được kẹp giữ
  • Mô hình LSTM được huấn luyện bằng dữ liệu từ 30 vật thể thường ngày có thể dự đoán sự kiện trượt với độ chính xác 92%

• Trực quan hóa tín hiệu thô

  • Phần điện tử cảm biến bao gồm năm từ kế đo mật độ từ thông trên ba trục
  • Có thể xem trực quan hóa thô của tín hiệu AnySkin trong video

Kết quả thí nghiệm

Quy trình chế tạo

• Phương pháp chế tạo
  • AnySkin được tạo ra bằng cách trộn Smooth-On DragonSkin 10 Slow và các hạt từ MQFP-15-7(25μm) theo tỷ lệ 1:1:2, sau đó đóng rắn trong khuôn hai phần như minh họa ở trên
  • Lớp da sau khi đóng rắn được từ hóa bằng máy từ hóa xung
  • Các tệp thiết kế đầu kẹp được cung cấp dưới dạng mã nguồn mở

Tóm tắt của GN⁺

• AnySkin là một giải pháp đổi mới giải quyết tính đa dụng, khả năng thay thế và khả năng tái sử dụng dữ liệu trong cảm nhận chạm của robot
• Chính sách đã học vẫn được giữ nguyên sau khi thay da và có thể khái quát hóa giữa các phiên bản
• Hệ thống cho thấy độ chính xác cao trong các ứng dụng thực tiễn như phát hiện trượt
• Các sản phẩm khác có chức năng tương tự gồm DIGIT và ReSkin

[GN⁺]

Ý kiến trên Hacker News

• Có thể bơm các hạt từ tính vào cao su silicone rồi từ hóa chúng, sau đó dùng từ kế để phát hiện sự thay đổi của từ trường nhằm nhận biết biến dạng của cao su và phân tích các "điểm áp lực" trên bề mặt

  • Nhờ duy trì được tính nhất quán trong quá trình sản xuất, nó trở thành linh kiện có thể thay thế mà không cần hiệu chuẩn lại
  • Cảm biến chạm cao cấp bắt đầu giống vít được cắt bằng máy hơn là đinh đóng thủ công theo kiểu tùy chỉnh

• Công nghệ này rất ấn tượng

  • Tò mò liệu có thể dùng nó để phân loại rác và vật liệu tái chế hay không
  • Tò mò liệu khi bị dính chất bẩn hoặc sau một thời gian thì có thể hiệu chuẩn lại hay không
  • Tò mò liệu có thể rửa cà chua và bỏ cuống của chúng hay không
  • Muốn làm một trackpad bằng công nghệ này
  • Tò mò độ phân giải có thể đạt tới mức nào
  • Tò mò liệu có thể cung cấp áp lực, độ nghiêng, v.v. mà không phải đánh đổi độ phân giải hay không
  • Tò mò cảm giác sẽ kỳ lạ đến mức nào nếu nó tạo cảm giác như đang chạm vào da

• Chip từ kế 3 trục là yếu tố cốt lõi

  • Ở bước từ hóa, các hạt từ tính được sắp xếp song song với nhau
  • Đây là một công nghệ thú vị có thể dùng trong xưởng làm việc tại nhà

• Có vẻ sẽ hữu ích cho nhạc cụ điện tử

  • Có thể được dùng cho các nhạc cụ như Linnstrument
  • Tò mò liệu các cảm biến có gây nhiễu lẫn nhau khi đặt cạnh nhau hay không

• Việc sản xuất dễ hơn rất nhiều so với cảm biến Takktile

  • Nếu đặt một lớp cứng giữa chip và lớp da, có thể dùng lực lớn mà không làm hỏng bảng mạch
  • Tò mò liệu phần học chính sách có độc lập với công nghệ hay không
  • Tò mò liệu mô hình phụ thuộc vào vector hướng nhiều hơn là vị trí tiếp xúc hay không

• Tò mò liệu trong các tác vụ như cắm USB, nó có phát hiện được thay đổi góc hoặc chênh lệch áp lực hay không

  • Tò mò vật liệu chính của lớp da là silicone đúc hay TPU

• Việc bố trí các hạt từ tính song song trong một môi trường mềm dẻo mới là bước đột phá thực sự

  • Có vẻ công ty Magnequench sẽ biết liệu có thể bơm các hạt này vào vật liệu khác hay không
  • Tò mò các trường hợp sử dụng phổ biến nhất của những hạt này là gì
  • Tò mò liệu có nhất thiết phải dùng Dragon Skin hay không
  • Ý tưởng trộn các hạt từ tính vào môi trường bán rắn khá thú vị
  • Tò mò liệu có thể áp dụng từ trường bên ngoài để các hạt làm biến dạng môi trường hay không

• Hình minh họa "quy trình sản xuất" rất đơn giản và đẹp

• Từng nghiên cứu về xúc giác robot

  • Đã dùng cảm biến "biotac", nhưng nó rất đắt và khó thay thế
  • Ưu điểm của biotac là có thể mua được
  • Hầu hết những thứ được phát triển trong giới học thuật đều không thể mua được
  • Những cảm biến này trông rất tuyệt

• Cách đóng gói rất tốt

  • Các cảm biến kiểu này đã tồn tại hàng chục năm, nhưng lần này cách đóng gói rất tốt
  • Vỏ thay thế được là một ưu điểm lớn
  • Cảm biến kiểu "da" đã được làm nhiều lần, nhưng cảm biến lại nằm trong phần bị mài mòn nên không phù hợp cho sản xuất

• Phải có tài khoản Google mới đặt hàng được

  • Được Meta tài trợ