侯月陽(yáng)，林新迪，盧 山

(1.上海航天控制技術(shù)研究所，上海 201109； 2. 上海市空間智能控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海 201109)

0 引言

空間機(jī)器人大多配備視覺(jué)敏感器，但是在軌服務(wù)、在軌碎片清除等領(lǐng)域中常規(guī)的視覺(jué)感知技術(shù)受到很多限制，例如光照、遮擋等[1]。對(duì)于被操控目標(biāo)的很多內(nèi)在屬性，例如“軟”、“硬”等，難以通過(guò)視覺(jué)敏感器感知獲取。對(duì)空間機(jī)器人而言，觸覺(jué)也是獲取環(huán)境信息的一種重要感知方式。與視覺(jué)不同，觸覺(jué)傳感器可直接測(cè)量多種性質(zhì)特征。同時(shí)，觸覺(jué)也是人類感知外部環(huán)境的一種基本模態(tài)。因此，為機(jī)器人引入觸覺(jué)感知模塊，不僅在一定程度上模擬了人類的感知與認(rèn)知機(jī)制，又符合實(shí)際操作應(yīng)用的強(qiáng)烈需求[2]。然而，目前航天領(lǐng)域所用觸覺(jué)傳感相關(guān)研究較少，美國(guó)國(guó)家航空航天局(NASA)開(kāi)發(fā)了機(jī)械手Robonaut上使用的觸覺(jué)傳感器[3]，美國(guó)海軍空間技術(shù)中心報(bào)道了空間機(jī)器人上觸覺(jué)感知算法[4]?？臻g操作中的另一個(gè)重要方向是觸覺(jué)交互。日本開(kāi)發(fā)了面向ETS-VII衛(wèi)星遙操作觸覺(jué)接口[5]。加州理工學(xué)院研制了可以綜合集成視覺(jué)與觸覺(jué)反饋的虛擬顯示系統(tǒng)，可輔助應(yīng)用于空間探測(cè)[6]。此外，還有專家提出將觸覺(jué)與視覺(jué)進(jìn)行融合，從而實(shí)現(xiàn)異類信息的智能感知[7]。

在民用領(lǐng)域，科研人員對(duì)觸覺(jué)分類與識(shí)別開(kāi)展了廣泛的研究。廣義地說(shuō)觸覺(jué)包括接觸覺(jué)、壓覺(jué)、力覺(jué)、滑覺(jué)、冷熱覺(jué)等與接觸有關(guān)的感覺(jué)，狹義地說(shuō)它是機(jī)械手與對(duì)象接觸面上的力感覺(jué)[8]。一般來(lái)說(shuō)，機(jī)器人觸覺(jué)傳感器主要有檢測(cè)和識(shí)別功能。其中檢測(cè)功能包括對(duì)操作對(duì)象的狀態(tài)、機(jī)械手與操作對(duì)象的接觸狀態(tài)、操作對(duì)象的物理性質(zhì)進(jìn)行檢測(cè)；識(shí)別功能是在檢測(cè)的基礎(chǔ)上提取操作對(duì)象的形狀、大小、剛度、紋理、溫度等特征，以進(jìn)行分類和物體識(shí)別[9]。

經(jīng)過(guò)對(duì)當(dāng)前觸覺(jué)物體識(shí)別工作的系統(tǒng)調(diào)研，將用于觸覺(jué)物體識(shí)別的方法劃分為三類：剛性物體、紋理材質(zhì)和可變形物體[10]。這三者的典型例子為金屬工件、布料和橘子。

對(duì)“剛性物體”的識(shí)別主要利用形狀信息。這一方法要求機(jī)械手多次抓取同一物體以獲得不同部位的信息，并利用樸素貝葉斯方法進(jìn)行分類[11]。

對(duì)“紋理材質(zhì)”的識(shí)別所用的物體一般具有標(biāo)準(zhǔn)的規(guī)則形狀，而重點(diǎn)考慮其表面特性； 與視覺(jué)敏感器相比，觸覺(jué)傳感器可以獲得更精細(xì)的紋理特性，同時(shí)，可以綜合利用振動(dòng)、滑擦等方式獲得關(guān)于紋理材質(zhì)的一些特殊性質(zhì)，因此可形成對(duì)視覺(jué)敏感器的有益補(bǔ)充[12]。

對(duì)“可變形物體”的識(shí)別一般利用其形變特性。形變的識(shí)別同時(shí)強(qiáng)調(diào)物體的表面特性與內(nèi)部狀態(tài)，而這些內(nèi)部狀態(tài)無(wú)法用普通的視覺(jué)敏感器獲取，形變過(guò)程需要用多變量時(shí)間序列刻畫(huà)，因此給物體的識(shí)別帶來(lái)很大挑戰(zhàn)。由于物體的形變特性非常復(fù)雜，一般很難用統(tǒng)一的模型對(duì)其機(jī)理進(jìn)行描述，因此目前廣泛使用機(jī)器學(xué)習(xí)方法[13]。

機(jī)器學(xué)習(xí)成為觸覺(jué)物體識(shí)別的主流方法，深度學(xué)習(xí)在觸覺(jué)信號(hào)處理中的應(yīng)用也開(kāi)始起步，但如何有效地提取一般物體的觸覺(jué)特征以實(shí)現(xiàn)更高效準(zhǔn)確的分類仍然是一個(gè)難題。本文首先介紹DTW觸覺(jué)序列表征，進(jìn)一步研究建立DTW核實(shí)現(xiàn)對(duì)整個(gè)觸覺(jué)序列的編碼工作，然后通過(guò)觸覺(jué)分類抓捕試驗(yàn)驗(yàn)證了方法的有效性。

1 基于動(dòng)態(tài)序列匹配的觸覺(jué)表達(dá)

機(jī)器人靈巧手指尖的觸覺(jué)傳感器用來(lái)捕獲多層次物體特性，例如紋理特性、魯棒性、時(shí)空特性和摩擦特性等，因此成為智能機(jī)器人領(lǐng)域重要的傳感器模態(tài)。然而現(xiàn)有研究忽略了靈巧手不同指尖間采集到的物體多層次形態(tài)的聯(lián)系。

文獻(xiàn)[14]描述了自行設(shè)計(jì)開(kāi)發(fā)的具有64組觸覺(jué)傳感模塊并按照8×8規(guī)格進(jìn)行排列的觸覺(jué)傳感器。作者分別將其安裝在Schunk 2指與Schunk 3指靈巧手手指上來(lái)對(duì)一系列物體進(jìn)行抓取以構(gòu)建觸覺(jué)數(shù)據(jù)集，并利用觸覺(jué)時(shí)間序列的動(dòng)態(tài)序列匹配(dynamic time warping，DTW)作為距離度量，使用了最近鄰分類算法對(duì)觸覺(jué)序列進(jìn)行處理來(lái)進(jìn)行物體識(shí)別。

使用DTW算法對(duì)時(shí)間序列進(jìn)行分析建模的方法可以對(duì)時(shí)間序列進(jìn)行彎曲和伸縮，對(duì)于長(zhǎng)度不同的時(shí)間序列也具有較好的適用性，并且可以用于尋找時(shí)間序列之間的最佳匹配關(guān)系，具有較高的魯棒性，最初廣泛應(yīng)用于對(duì)于聲音信號(hào)的辨識(shí)中。

文獻(xiàn)[6]將DTW算法應(yīng)用于觸覺(jué)序列的度量。使用DTW算法來(lái)對(duì)觸覺(jué)序列進(jìn)行特征提取，對(duì)于距離的衡量方法及過(guò)程如下：首先尋找一種合適的距離來(lái)作為DTW下界距離的量度。這種量度可以用于對(duì)不滿足相似性要求的距離的去除，并以此來(lái)提高算法的效率和準(zhǔn)確性。DTW的下界距離一般需要滿足正確性、有效性和緊密性這三種要求。其中，正確性是指進(jìn)行過(guò)濾處理后的下界距離中不可以漏掉任意一個(gè)滿足條件的時(shí)間序列；有效性是指盡量減少DTW距離計(jì)算過(guò)程中所花費(fèi)的時(shí)間和空間成本；緊密性則要求DTW距離與所計(jì)算的下界距離結(jié)果近似，這樣可以使候選集在有限的空間中盡量包含盡量多的可用數(shù)據(jù)，并且這樣也可以減少后續(xù)計(jì)算的復(fù)雜程度。

其次，通過(guò)該下界距離進(jìn)行觸覺(jué)序列之間變量的對(duì)應(yīng)，這種匹配關(guān)系如圖1所示[6]。每種匹配都使用一條虛線來(lái)表示，稱其為彎曲路徑，彎曲路徑有多條，但是這些彎曲路徑與每個(gè)樣本序列之間的對(duì)應(yīng)關(guān)系是唯一的。彎曲路徑也必須滿足以下三點(diǎn)：保證序列的起始點(diǎn)與結(jié)束點(diǎn)相匹配，即由起點(diǎn)(x1,y1)開(kāi)始，而由終點(diǎn)(xn,ym)止；彎曲路徑上的任意相鄰兩點(diǎn)(xi1,yj1)與(xi2,yj2)之間滿足不等式0≤|i1-i2|≤1，0≤|j1-j2|≤1；如果(xi1,yj1)、(xi2,yj2)是彎曲路徑上相連，則必須要滿足i2-i1≥0,j2-j1≥0。

圖1 DTW距離Fig.1 DTW distance

參照文獻(xiàn)[11]算法進(jìn)行觸覺(jué)序列的建模與表征。觸覺(jué)序列分類問(wèn)題表述如下：給定N個(gè)訓(xùn)練時(shí)間序列樣本S=[S1,S2,…,Si,…SN]∈Rd×Ti×N，第i個(gè)樣本為Si∈Rd×Ti，其中Rd×Ti表示維度為d×Ti的實(shí)數(shù)集，d是序列的空間維度，Ti是序列的時(shí)間長(zhǎng)度，樣本對(duì)應(yīng)的標(biāo)簽為li，i=1,2,…,N。設(shè)計(jì)一個(gè)能給新加入的樣本分類的分類器。顯然，怎樣挖掘序列間潛在的聯(lián)系來(lái)設(shè)計(jì)一個(gè)魯棒性的分類器是個(gè)十分重要的問(wèn)題。

對(duì)各個(gè)手指的觸覺(jué)時(shí)間序列分類建模，手指?jìng)€(gè)數(shù)為M，傳感器陣列的觸覺(jué)序列為o，其數(shù)值為p×q，其中p為傳感器陣列的行數(shù)，q為傳感器陣列的列數(shù)，隨著傳感器和物體接觸時(shí)間的推移，采集到的p×q的觸覺(jué)序列不斷增加。建模過(guò)程中，將每個(gè)p×q的觸覺(jué)序列按順序排列成長(zhǎng)度為o的列數(shù)據(jù)，因此單個(gè)手指單位時(shí)間采集到的觸覺(jué)序列為一個(gè)o維的序列。

每個(gè)觸覺(jué)序列的空間維度d通過(guò)M×o計(jì)算，靈巧手M個(gè)手指分別采集空間維度為o的觸覺(jué)序列，然后將M個(gè)手指采集到的M組序列按順序并排組合成d維的觸覺(jué)序列。

定義兩個(gè)長(zhǎng)度為T(mén)i和Tj的時(shí)間序列樣本Si和Sj，按時(shí)間分解為

Si=[si,1,si,2,…,si,t,…,si,Ti]∈Rd×Ti

(1)

Sj=[sj,1,sj,2,…,sj,t,…,sj,Ti]∈Rd×Ti

(2)

式中：si,t∈Rd，sj,t∈Rd，均為列向量，i,j=1,2,…,Ni，j。因此得到：

(3)

式中：W為Si和Sj之間的抓取路徑矩陣；wk=(i,j)k為抓取路徑W的第k個(gè)元素，K為W的最后一個(gè)路徑序號(hào)。所以最小匹配路徑采用DTW距離描述為

(4)

雖然DTW距離匹配對(duì)于不等長(zhǎng)的觸覺(jué)時(shí)間序列能發(fā)揮最大優(yōu)勢(shì)，但是DTW距離不滿足三角不等式和距離測(cè)度的性質(zhì)，在實(shí)際應(yīng)用中，式(4)在編碼過(guò)程中對(duì)野值會(huì)出現(xiàn)奇異無(wú)解的情況，因此下一節(jié)提出一種稀疏編碼方法進(jìn)行解決

2 觸覺(jué)序列聯(lián)合稀疏編碼算法

本節(jié)在DTW距離的基礎(chǔ)上應(yīng)用DTW核實(shí)現(xiàn)對(duì)整個(gè)觸覺(jué)序列的編碼工作。對(duì)于靈巧手的觸覺(jué)序列分類，靈巧手一般包含幾個(gè)觸覺(jué)手指，每個(gè)手指可以采集到不同的觸覺(jué)序列。提出基于觸覺(jué)的聯(lián)合稀疏編碼方法，用于一個(gè)單獨(dú)時(shí)間序列的不同手指間觸覺(jué)信息的簡(jiǎn)單融合。這種方法不僅簡(jiǎn)單而且能挖掘不同手指采集的觸覺(jué)信息指尖的內(nèi)在聯(lián)系，把不同的手指當(dāng)做不同的傳感器，然后單獨(dú)進(jìn)行編碼。

指尖觸覺(jué)序列由M個(gè)手指獲得，每一個(gè)手指的觸覺(jué)序列可以由訓(xùn)練樣本線性表示，聯(lián)合稀疏編碼聯(lián)合M個(gè)手指的觸覺(jué)信息對(duì)觸覺(jué)序列進(jìn)行分類。

對(duì)于第i個(gè)樣本序列按不同采集手指信息可分解為S=[S1,S2，…,Sm，…，SM]T，由第m個(gè)手指得到的序列為Sm∈Ro×Ti×N，m=1,2,…,M，設(shè)第m個(gè)手指采集序列對(duì)應(yīng)的字典為Φ(Dm)，得到M個(gè)手指信息的聯(lián)合稀疏編碼為

(5)

式中：xm為第m個(gè)手指的稀疏編碼矢量，m=1,2,…,M；X=[x1x2x3]∈RN×3；L21范數(shù)為X每個(gè)列向量2范數(shù)的和。利用CVX凸優(yōu)化工具求解式(5)中的稀疏系數(shù)xm；利用得到的xm，根據(jù)稀疏編碼理論，測(cè)試樣本Sm的殘差rm,c計(jì)算為

(6)

式中：KT(Sm,Dm,c)=Φ(Sm)TΦ(Dm,c)；K(Dm,c,Dm,c)=Φ(Dm,c)TΦ(Dm,c)；Dm,c為第m個(gè)手指提取的觸覺(jué)序列字典中第c類的特征；Φ(Sm)T為Φ(Sm)的轉(zhuǎn)置。利用式(6)得到的殘差rm,c，計(jì)算M個(gè)手指的殘差和rc，有

(7)

聯(lián)合稀疏編碼方法解決下述優(yōu)化問(wèn)題，即將不同手指的訓(xùn)練樣本觸覺(jué)序列求取最小二乘結(jié)果，此時(shí)所得到的不同指尖觸覺(jué)序列度量為最優(yōu)，有

(8)

式中：P∈R2×K為映射矩陣；K為對(duì)齊兩個(gè)信號(hào)所需的步數(shù)；Si,P1,k和Sj,P2,k為不同手指的訓(xùn)練樣本觸覺(jué)序列。把k行的P表示為Pk，然后可以描述該變量矩陣P的約束：

1)P1,k∈{1,2，…,Ti},P2,k∈{1,2，…,Tj}；

2)邊界條件：p1=[1,1]T,pK=[Ti,Tj]T；

3)連續(xù)性：0≤pk+1-pk≤1,k=1,2,…,K-1；

4)單調(diào)性：pk1-pk2≤0,k1≤k2。

K值是受到限制的，有

max(Ti,Tj)≤K≤Ti+Tj-1

優(yōu)化問(wèn)題可以等價(jià)為

(9)

式中：Z∈{0,1}K×Ti,Y∈{0,1}K×Tj為需要測(cè)量對(duì)齊的觸覺(jué)序列Si,Sj的二進(jìn)制選擇矩陣。

3 觸覺(jué)分類感知試驗(yàn)

3.1 數(shù)據(jù)采集

圖3 抓取目標(biāo)Fig.3 Grasping objects

實(shí)驗(yàn)中，采集觸覺(jué)信息的多指靈巧手參數(shù)為手指數(shù)M=3，單手指?jìng)鞲衅鲉卧獢?shù)o=24，單手指?jìng)鞲衅餍袛?shù)p=8，但手指?jìng)鞲衅髁袛?shù)q=3。多指靈巧手手指標(biāo)記成手指1、手指2、手指3。手指1和手指2同步旋轉(zhuǎn)并且對(duì)于關(guān)節(jié)底座對(duì)稱的展開(kāi)。前后掌的“展開(kāi)”運(yùn)動(dòng)允許爪子重新配置適應(yīng)不同大小、形狀和方位的目標(biāo)。除了擴(kuò)展運(yùn)動(dòng)，靈巧手的3個(gè)手指設(shè)有兩個(gè)關(guān)節(jié)并且由一個(gè)無(wú)刷伺服電機(jī)驅(qū)動(dòng)。使用3個(gè)手指可以使靈巧安全地“把握”各種物體。

在每個(gè)時(shí)間段，從每個(gè)手指的24個(gè)傳感器單元中收集觸覺(jué)數(shù)據(jù)。通過(guò)重塑8×3矩陣作為一個(gè)24維向量并且假設(shè)序列長(zhǎng)度為T(mén)，分別獲得手指1、2、3的24維動(dòng)態(tài)觸覺(jué)序列S1∈R24×T，S2∈R24×T，S3∈R24×T。最終串聯(lián)3個(gè)24維序列合并為一個(gè)單一的序列，有

(10)

選擇并采集7種典型精細(xì)操作目標(biāo)(包括兩種柔性太陽(yáng)能板、兩種插頭(分別為塑料和金屬材質(zhì))、三種線纜(分別為柔性線纜、多股線纜、金屬線纜)，用觸覺(jué)信息表征目標(biāo)信息，實(shí)物如圖2所示。

圖2 目標(biāo)Fig.2 Objects

上述工作大多是利用指頭上的觸覺(jué)傳感器，在抓取過(guò)程中一般采取精細(xì)抓取模式。另一方面，很多機(jī)械手的掌部也帶有觸覺(jué)傳感器，這啟發(fā)了一些學(xué)者利用強(qiáng)力抓取模式來(lái)獲取觸覺(jué)數(shù)據(jù)。本文也利用這種操作模式針對(duì)典型目標(biāo)開(kāi)展觸覺(jué)序列的分類工作。在觸覺(jué)數(shù)據(jù)采集過(guò)程中，每個(gè)目標(biāo)被三指靈巧手抓取10次，機(jī)械臂抓取位置圖如圖3所示。

觸覺(jué)信息反饋被接觸目標(biāo)的材料、形狀、狀態(tài)等信息影響[15]。這些觸覺(jué)序列的不同可以用來(lái)進(jìn)行目標(biāo)分類識(shí)別，如圖4所示。

圖4 觸覺(jué)信息Fig.4 Tactile information

3.2 不同觸覺(jué)識(shí)別方法的結(jié)果與分析

實(shí)驗(yàn)過(guò)程中隨機(jī)10次選取9組觸覺(jué)樣本作為訓(xùn)練集樣本，剩余1組作為測(cè)試集樣本，每種分類方法實(shí)驗(yàn)準(zhǔn)確率取10次隨機(jī)分類準(zhǔn)確率的平均值。在表1和表2為以觸覺(jué)信息為特征的分類結(jié)果的混淆矩陣，其中表1是采用貝葉斯分類方法[3]的結(jié)果，表2是采用稀疏矩陣方法的分類結(jié)果。

表1 采用貝葉斯方法的觸覺(jué)混淆矩陣

表2 采用稀疏編碼的觸覺(jué)混淆矩陣

從上面兩個(gè)混淆矩陣中可以看出，由于抓取姿態(tài)的不同，不同類目標(biāo)之間的區(qū)分度較好。但對(duì)同一類目標(biāo)(如不同的線纜)，存在一定的混淆。此外，采用貝葉斯分類方法的總體識(shí)別率為87.71%，采用稀疏編碼方法的總體識(shí)別率為90.07%，結(jié)果表明稀疏編碼方法對(duì)于觸覺(jué)分類準(zhǔn)確率有2.36%的提升。

4 結(jié)束語(yǔ)

本文研究了采用觸覺(jué)進(jìn)行目標(biāo)分類感知的問(wèn)題，重點(diǎn)研究了基于聯(lián)合稀疏編碼的觸覺(jué)信息表征方法，采用貝葉斯分類方法作為對(duì)比，進(jìn)行了典型目標(biāo)分類試驗(yàn)，試驗(yàn)結(jié)果表明總體識(shí)別率達(dá)到了90.07%，相比與貝葉斯分類方法，分類準(zhǔn)確率提高了2.36%。由試驗(yàn)可知，不同類目標(biāo)之間的區(qū)分度較好，而對(duì)于同類目標(biāo)(如不同線纜)則混淆較大，說(shuō)明單一依靠觸覺(jué)手段難以完全區(qū)分目標(biāo)，因此后續(xù)將研究引入其他信息源輔助進(jìn)行分類感知的問(wèn)題。