隨著(zhù)機器人技術(shù)的不斷發(fā)展，將來(lái)機器人會(huì )更好融入我們日常生活。目前機器人在工業(yè)環(huán)境中，它們的動(dòng)作可以通過(guò)程序化來(lái)實(shí)現G性能；而在非結構化環(huán)境(如家庭、辦公室和醫院)中的操作仍是個(gè)挑戰性問(wèn)題。機器學(xué)習的進(jìn)步J大地改善了現實(shí)環(huán)境中的操作，然而即使是大規模機器人訓練抓取系統（在兩個(gè)月內收集了80萬(wàn)次抓取嘗試的數據集上進(jìn)行訓練）也有17.5%的失敗率[1]。當機器人在不確定環(huán)境中操作時(shí)，能夠檢測到它們是否成功地完成了操作任務(wù)是至關(guān)重要的。近年在IEEEWorld Haptics Conference上發(fā)表了Effectsof Force-Torque and Tactile Haptic Modalities on Classifying the Success of Robot Manipulation Tasks論文，通過(guò)研究找出一種觸覺(jué)感知模式適合機器人對其任務(wù)性能進(jìn)行分類(lèi)。

我們知道觸覺(jué)感知在提G自主機器人[2][3]的操作能力方面是至關(guān)重要。觸覺(jué)感知一般包括力-力矩和觸覺(jué)兩種方式：力-力矩傳感器通常安裝在機器人的手腕上，可以用來(lái)測量施加在機器人手上的總力和力矩；觸覺(jué)傳感器通常安裝在機器人的指尖或更大的區域作為“皮膚”，測量機器人和環(huán)境之間的局部相互作用[4][6]。觸覺(jué)感知包括接觸、壓力、溫度、局部力、變形[5]-[7]的G頻振動(dòng)。多種觸覺(jué)感知模式可以一起使用，以提G實(shí)時(shí)操作控制器[8][9]的性能。觸覺(jué)感知的多種模式也可以用于操作性能的離線(xiàn)分類(lèi)方法，比如識別一個(gè)物體何時(shí)滑過(guò)機器人的手[10]并確定被操縱對象[11][12]的屬性。Bekiroglu等人將來(lái)自觸覺(jué)指尖傳感器的數據與機器人手的配置信息和物體的先驗知識相結合，自動(dòng)評估抓取的穩定性[13]。

該文利用了Chu等人開(kāi)發(fā)的任務(wù)完成分類(lèi)方法。在他們的工作中，Chu等人在機器人試圖完成幾項操作任務(wù)時(shí)，記錄了一個(gè)安裝在腕上的力傳感器的數據。然后，他們?yōu)槊總�(gè)操作任務(wù)訓練了兩個(gè)隱馬爾科夫模型[14]，一個(gè)用于成功完成任務(wù)的機器人，另一個(gè)用于未能完成任務(wù)的機器人。作為他們工作的一部分，Chu等人使用這些模型將每個(gè)任務(wù)之前未見(jiàn)過(guò)的嘗試的四個(gè)實(shí)例劃分為成功或不成功，對于某些任務(wù)，這種方法可以得到出色的分類(lèi)，然而，對于其他任務(wù)，比如用杯子舀意大利面，該方法的分類(lèi)精度為50%[15]。

為了研究哪種觸覺(jué)模式或模式組合適合對任務(wù)完成進(jìn)行分類(lèi)，文中反復嘗試用三對指尖傳感器中的每一個(gè)來(lái)完成兩項任務(wù)。將每個(gè)試驗貼上“成功”或“不成功”的標簽，在使用了Chu等人開(kāi)發(fā)的任務(wù)完成分類(lèi)方法之后，使用從指尖和力-力矩傳感器提取的不同特征組合訓練了兩對隱馬爾科夫模型，經(jīng)過(guò)訓練的隱馬爾可夫模型被用來(lái)將以前未見(jiàn)過(guò)的試驗分為“成功”和“不成功”。機器人反復完成兩個(gè)動(dòng)作：拾取任務(wù)和挖掘任務(wù)，拾取作業(yè)過(guò)程機器人的運動(dòng)軌跡如圖2所示。在這個(gè)任務(wù)中，機器人從物體上方開(kāi)始，打開(kāi)它的末端夾持器，向下移動(dòng)，使物體在夾持器的手指之間，合上夾持器，然后返回到起始位置。操縱的對象是一個(gè)軟墻門(mén)，這是一個(gè)半球體制成的柔性聚合物，之所以選擇這個(gè)對象，是因為它很難被拾取，從而確保了成功和失敗的拾取嘗試之間的良好平衡。如果機器人沒(méi)有撿起物體，或者在返回起始位置之前將物體掉落，則視為失敗。第二個(gè)任務(wù)是挖掘任務(wù)，它是模仿Chu等人設計的任務(wù)之一。在這個(gè)任務(wù)中，機器人拿著(zhù)一個(gè)勺子，沿著(zhù)預先設定的軌道移動(dòng)，從一個(gè)盒子里舀意大利面，如圖2所示。在這個(gè)任務(wù)中，機器人用一個(gè)夾爪抓住鏟子，然而當機器人足夠用力地抓住鏟子時(shí)，NumaTac和BioTac的壓力讀數都飽和了，這樣它就不會(huì )在機器人的手上繞著(zhù)連接機器人兩根手指的軸旋轉。為了解決這個(gè)問(wèn)題，我們在機器人的手上加了一個(gè)“第三根手指”來(lái)穩定鏟子，可能出現的故障類(lèi)型有：（1）鏟子撞到箱底，機器人的關(guān)節承受了過(guò)大的扭矩，導致緊急停車(chē)；（2）鏟子在機器人手中滑動(dòng)；（3）不舀意大利面，失敗是由機器人手中鏟子的位置和盒子里意大利面分布的變化引起的。

通過(guò)結果分析發(fā)現拾取任務(wù)的分類(lèi)性能通常優(yōu)于挖掘任務(wù)的分類(lèi)性能，可能這是由于拾取任務(wù)的失敗模式(拾取失敗或掉落)比挖掘任務(wù)的不同失敗模式(機器人攤牌、鏟斗滑落、機器人無(wú)法鏟起意大利面)產(chǎn)生更多相似的觸覺(jué)特征。選擇任務(wù)的分類(lèi)性能也可能更G，這是因為在這個(gè)任務(wù)中，機器人的手直接操作任務(wù)對象，而在挖掘任務(wù)中，機器人使用手持工具(鏟子)來(lái)拿起意大利面。

研究者們未來(lái)將采用不同的機器學(xué)習分類(lèi)技術(shù)是否能更好的幫助機器人判斷自己是否完成了任務(wù)。同時(shí)計劃研究?jì)H使用部分任務(wù)軌跡的分類(lèi)性能，使機器人能夠識別正在進(jìn)行的任務(wù)何時(shí)可能失敗并糾正其動(dòng)作，并將在更廣泛的任務(wù)集上驗證。