模拟人类反应式抓取过程，普渡大学团队实现机器人学习的数据高效触觉表征

高效的数据表征提高机器人触觉学习性能

原标题：模拟人类反应式抓取过程，普渡大学团队实现机器人学习的数据高效触觉表征
文章来源：HyperAI超神经
内容字数：8527字

面向机器人学习的数据高效触觉表征：LeTac-MPC和UniT

本文总结了普渡大学博士生徐政通在“新锐论前沿”第四期线上分享活动中，关于数据高效触觉表征的科研成果LeTac-MPC和UniT的要点。

1. 触觉感知与数据高效表征的重要性

在机器人自主学习中，触觉感知至关重要，但传统方法依赖海量数据，成本高昂且效率低下。因此，数据高效的触觉表征成为研究焦点。基于自监督学习、稀疏表示和跨模态感知的创新技术为解决这一问题提供了新的思路。 徐政通博士的研究成果正是致力于提升机器人触觉学习性能，使其在有限数据下也能实现复杂任务的快速适应。

2. 可微分优化在机器人学习中的应用

可微分优化是机器人学习中的有力工具，尤其在轨迹规划和人机交互方面。其核心思想是构建目标函数，并通过可微分的优化方法（例如二次规划，QP）将其融入神经网络，实现参数的梯度更新。这种方法能够有效利用先验知识，并结合数据驱动方法，提升模型的灵活性和适应性。

3. LeTac-MPC：基于触觉信号的反应式抓取与模型控制

LeTac-MPC 是一种基于模型预测控制 (MPC) 的反应式抓取方法。它通过视觉触觉传感器（如GelSight）获取触觉信号，例如接触面积和位移，并利用这些信息构建基于MPC的控制律。该方法模拟人类反应式抓取行为，根据物体反馈动态调整抓取力度，提升抓取的稳定性和适应性。

LeTac-MPC 的优势在于：1. 具有良好的泛化能力，即使在有限数据下也能推广到不同物体；2. 具有抗干扰性，能应对外界干扰；3. 具有高响应能力，能快速适应物体的动态变化。

4. UniT：用于机器人学习的统一触觉表示

UniT 旨在通过单一简单物体学习统一的触觉表征。它利用VQGAN模型学习触觉表征，并通过简单的卷积层解码潜在空间，连接到下游任务。实验表明，UniT能够有效地重建触觉图像，并优于其他方法，在6D姿态估计、3D姿态估计和分类任务中表现出色。更重要的是，在单一物体上训练的表征可以泛化到其他未见物体，甚至超过了大量物体训练的表征性能。 UniT 也在策略学习中展现了优越性，在Allen Key插入、芯片抓取和鸡腿悬挂等复杂任务中取得了最佳效果。

5. 总结

LeTac-MPC 和 UniT 代表了数据高效触觉表征领域的重要进展，为机器人感知与学习打开新的大门。它们不仅提升了机器人在复杂任务中的适应能力，也增强了其与人类和环境交互的能力，为未来机器人技术的发展提供了新的方向。

联系作者

文章来源：HyperAI超神经
作者微信：
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例