為了與周圍環境有效交互，機器人應該能夠像人類一樣通過觸摸不同物體來識別它們的特征。通過使用傳感器收集的反饋來調整他們的抓握和操縱策略，這將使他們能夠更有效地抓握和管理對象。

考慮到這一點，全世界的研究小組一直在嘗試開發可通過分析傳感器收集的數據來使機器人具有觸覺的技術，其中許多都是基于深度學習架構的使用。盡管其中一些方法很有希望，但它們通常需要大量的訓練數據，并且無法始終很好地概括以前沒有學習過的物體。

蘇黎世聯邦理工學院的研究人員最近推出了一種新的基于深度學習的策略，該策略可以在不需要大量真實數據的情況下在機器人中實現觸覺傳感。在arXiv上預先發表的一篇論文中概述了他們的方法，該方法需要完全在模擬數據上訓練深度神經網絡。

進行這項研究的研究人員之一卡洛·斯費拉扎（Carlo Sferrazza）說：“我們的技術從數據中學習如何預測與傳感表面接觸的物體施加的力的分布，到目前為止，這些數據（成千上萬個數據點）需要在幾個小時的實驗設置中收集，這在時間和設備方面都是昂貴的。在這項工作中，我們完全在模擬，在現實世界中部署我們的技術時可保持較高的傳感精度。”

在實驗中，Sferrazza和他的同事使用他們制造的帶有簡單且低成本組件的傳感器，該傳感器由置于軟質材料下方的標準相機組成，該材料包含隨機散布的微小塑料顆粒。

當對其表面施加力時，軟材料會變形并導致塑料顆粒移動，然后，該運動由傳感器的攝像頭捕獲并記錄。

Sferrazza解釋說：“我們利用由移動粒子產生的圖像圖案來提取有關導致材料變形的力的信息。通過將粒子密集地嵌入到材料中，我們可以獲得極高的分辨率。由于我們采用數據驅動的方法來解決此任務，因此，我們可以克服建模與軟材料接觸的復雜性，并以較高的方式估算這些力的分布準確性。”

本質上，研究人員使用最新的計算方法創建了傳感器的軟材料和相機投影的模型。然后，他們在仿真中使用了這些模型，以創建包含13448張合成圖像的數據集，非常適合訓練觸覺感應算法。他們在仿真中為其觸覺感應模型生成訓練數據這一事實方面具有極大的優勢，因為這避免了他們不得不在現實世界中收集和注釋數據。

Sferrazza說：“我們還開發了一種轉移學習技術，使我們可以在現實世界中生產的觸覺傳感器的多個實例上使用相同的模型，而無需其他數據。這意味著每個傳感器的生產成本變得更低，因為它們不需要額外的校準工作。”

研究人員使用他們創建的綜合數據集來訓練基于視覺的觸覺應用的神經網絡架構，然后通過一系列測試評估其性能。即使經過模擬訓練，神經網絡也取得了非凡的結果，可以對真實數據進行準確的感測預測。

“當我們訓練的量身定制的神經網絡體系結構應用于與我們的模擬中所使用的數據完全不同的數據時，例如在估計與任意一個或多個對象的接觸時，也顯示出非常有希望的泛化可能性，可用于其他情況形狀。” Sferrazza說。

由Sferrazza和他的同事開發的深度學習體系結構可以為機器人提供人為的觸摸感，從而有可能增強其抓握和操縱技能。此外，他們編輯的綜合數據集可用于訓練其他模型以進行觸覺感測，或啟發創建新的基于仿真的數據集。

Sferrazza說：“我們現在要在涉及與復雜對象的非常普通的交互的任務中評估我們的算法，并且我們也在努力提高其準確性。我們認為這項技術在應用于現實世界的機器人任務時將顯示出其優勢，例如對易碎物體（例如玻璃或雞蛋）進行精細操縱的應用。”