为了与周围环境有效互动，机器人应该能够像人类一样识别不同物体的特征。这将使他们能够更有效地掌握和管理对象，并利用传感器收集的反馈来调整他们的掌握和操作策略。

考虑到这一点，世界各地的研究小组一直在努力开发技术，通过分析传感器收集的数据，使机器人具有触觉，其中许多是基于深度学习架构的使用。虽然其中一些方法很有前途，但它们通常需要大量的训练数据，并且它们并不总是很好地扩展到以前不可见的对象。

苏黎世E TH的研究人员最近引入了一种基于深度学习的新策略，可以在没有大量真实世界数据的情况下实现机器人的触觉感知。他们的方法在ar Xiv上的一篇预先发表的论文中有所概述，需要完全在模拟数据上训练深度神经网络。

进行这项研究的研究人员之一卡洛斯法尔拉扎(Carlo Sfar Raza)告诉TechXplore，“我们的技术从数据中学习如何预测物体与传感表面接触时所施加的力的分布。“到目前为止，这些数据(在数万个数据点的数量级)需要在几个小时的实验设备中收集，这在时间和设备方面都很昂贵。在这项工作中，我们在模拟中完全生成了我们的数据，并在现实世界中部署我们的技术时保持了高感知精度。”

在他们的实验中，Sferrazza和他的同事使用了他们用简单和低成本的组件制造的传感器。该传感器由放置在软材料下的标准相机组成，软材料包含随机分散的微小塑料颗粒。

当一个力施加到它的表面时，软材料变形并导致塑料颗粒移动。该运动然后被传感器的摄像机捕获和记录。

Sferrazza解释说：“我们使用移动粒子产生的图像模式来提取导致材料变形的力的信息。”通过在材料中密集嵌入粒子，我们可以获得极高的分辨率。因为我们使用数据驱动的方法来解决这个任务，所以我们可以克服建模与软材料接触的复杂性，并且高精度地估计这些力的分布。

本质上，研究人员使用最先进的计算方法来构建传感器软材料和相机投影的模型。然后，他们在模拟中使用这些模型来创建由13，448幅合成图像组成的数据集，这是训练触觉感知算法的理想方法。事实上，他们可以在模拟中为他们的触觉感知模型生成训练数据，这是非常有利的，因为这阻止了他们在现实世界中收集和注释数据。

Sferrazza说：“我们还开发了一种迁移学习技术，它使我们能够在真实世界中生产的触觉传感器的多个实例上使用相同的模型，而无需额外的数据。这意味着每个传感器的生产成本变得更低，因为它们不需要额外的校准工作。

研究人员使用他们创建的合成数据集来训练基于视觉的触觉传感应用的神经网络架构，然后在一系列测试中评估其性能。神经网络取得了显著的效果，即使经过仿真训练，也能对真实数据进行准确的传感预测。

Sferrazza说：“当应用于我们模拟中使用的数据时，例如，当用于估计与任意形状的单个或多个对象的接触时，我们训练的定制神经网络结构在其他情况下也显示出非常有希望的泛化可能性。

未来，由Sferrazza和他的同事开发的深度学习架构可以为机器人提供一种人工触摸，并潜在地提高它们的抓握和操作技能。此外，他们编制的合成数据集可用于训练其他触觉感知模型，还可以刺激新的基于模拟的数据集的创建。

Sferrazza说：“我们现在希望在涉及与复杂对象非常常见的交互的任务中评估我们的算法，我们也在努力提高它们的准确性。”“我们相信，这项技术在应用于现实世界中的机器人任务时，将显示出它的优势，例如涉及对玻璃或鸡蛋等易碎物体进行精细操作的应用。”