模仿人类的“触觉化身”：让机器解锁更真实的触觉

近期，来自韩国的一支研究团队开发了触觉化身（tactile avatar）系统，最新一期的《先进科学》（Advanced Science）收录了其论文成果。

该系统采用压电材料制作了多阵列触觉传感器，研究人员使用压电触觉传感器来记录各种物理信息，包括压力、温度、硬度、滑动速度和表面形貌。

Kyungsoo Kim带领其团队以人类测试者对光滑、柔软、粗糙等触觉感受为依据，设计和测量了机器触觉认知。

为了解释人与人之间的反应差异，Kim在记录个体触觉信息的同时，通过个性化触觉认知直方图的训练，设计了个性化的深度学习结构。触觉化身就是人工智能的触觉感知和认知系统，是人类触觉认知的替代品。

                       触觉化身使用人类触觉数据训练，做出与人类类似的决策

对于42种不同的材料，触觉化身系统的决策误差均小于2％。触觉化身系统根据人类触觉训练数据对材料的触感进行分类，分类结果与人类实验结果高度相似。

触觉化身

Kim等人使用个性化触觉认知直方图训练触觉化身系统，该系统能够捕获并行输入层中触摸过程产生的基线信号。

压电触觉传感器产生的有关硬度、温度和材料表面特征的信号与人类非常相似，触摸信号的斜率和振频包含材料硬度和物质形态的信息。

该团队还构建了结合神经网络层的决策处理系统，神经网络为反应人类触觉认知的不同权重分配了多个标签。

                                                        压电触觉传感器通过接触材料获得的信息

研究人员希望触觉化身系统能够应用于在线购物和AR、VR等场景，以获得理想的触感。这一系统同样能够应用于医学的人造皮肤，用以模仿真实人类触觉。

深度学习和人工传感器系统

该团队使用压电材料制成的多阵列触觉传感器来测量材料的表面信息。同时利用机器学习算法，在42种测试触觉材料中生成人工触觉。

材料硬度是触觉深度学习的主要物理参数之一。研究人员设计了一个基于压电信号的触觉决策系统，该系统依赖于神经网络层的组合。每个平行网络用来提取特定特征并进行复杂的分类处理，以模仿人类对触觉分类的认知。

                                                                                                                          用于触觉决策的深度学习

研究人员用标签训练神经网络，并让人工传感器对材料触觉进行分类。在训练过程中，团队优化了网络，从所有未经训练的样本中选择出正确的触觉样本。

优化的机器学习

为了实现“使用人类触觉决策直方图来做出触觉决策”，研究人员将人类触觉决策直方图映射到输出节点来训练机器，其中直方图包含人类平均触觉决策和决策混乱的方差信息。

该研究的重点并不在于更高的分类准确性，而是着重于通过深度学习网络模仿人类的触觉决策。Kim等人注意到，与机器的触觉决策相比，人类参与者的平均均方根误差更大。

                                                                                          经过全面训练的网络可以模仿人类触觉决定

通过触摸和滑动动作，使机器可以将新体验到的材料表面与多种经过训练的材料进行比较，从而根据现有知识对新的触觉材料进行分类。Kim等人为神经形态系统加上了触觉化身系统，减缓了计算时间延迟，实现了机器尺寸的最小化。

Kyungsoo Kim的团队开发了触觉化身系统，该系统采用压电材料制作了多阵列触觉传感器，其本质是基于人类触觉认知的深度学习过程。他们希望未来的研究能够提高触觉化身处理触觉信息的能力，使机器能够替代虚拟空间中的人类。

参考：

1.https://techxplore.com/news/2021-02-tactile-avatar-mimicking-human-cognition.html

2.https://onlinelibrary.wiley.com/doi/10.1002/advs.202002362