线上分享| 面向机器人学习的数据高效触觉表征

内含报名地址

原标题：线上分享| 面向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：1941字

新锐论前沿第四期：数据高效触觉表征在机器人学习中的应用

由具身触觉主办、HyperAI超神经协办的“新锐论前沿”第四期线上分享活动将于12月18日（周三）20:30举行，特邀普渡大学三年级博士生徐政通进行主题分享。本次活动将围绕“面向机器人学习的数据高效触觉表征”展开，并提供丰厚奖品。

1. 活动概览

本次活动邀请到普渡大学三年级博士生徐政通，他将分享其在机器人学习与触觉感知领域的研究成果。活动将通过线上直播的方式进行，参与者可以通过扫描二维名参加。活动还设置了抽奖环节，参与者有机会获得由OpenBayes贝式计算赞助的60小时NVIDIA RTX 4090算力资源使用权，价值160元。

2. 嘉宾介绍：徐政通博士

徐政通，普渡大学三年级博士生，师从佘宇教授，研究方向为机器人学习与触觉感知。他在华中科技大学获得学士学位，并获得国家奖学金。博士期间，他荣获普渡大学Dr. Theodore J. and Isabel M. Williams fellowship。个人主页：https://zhengtongxu.github.io/website/

3. 分享内容：基于GelSight的数据高效触觉表征

徐政通博士的分享将重点介绍其将GelSight应用于端到端机器人学习的两项研究工作：LeTac-MPC和UniT。他将探讨如何利用GelSight的独特特性，即其主要展示接触物体的几何特征和接触信息，且颜色分布相对紧凑，从而实现数据高效的触觉表征学习。

GelSight触觉图像与传统视觉图像存在显著差异，这为数据高效的触觉表征学习提供了可能性，减少了对繁琐数据采集过程的依赖。 研究中，他将重点阐述如何通过简单物体集的小样本学习，获得可泛化的触觉表征，并将其应用于感知、控制和策略学习等下游任务。

4. 两项核心研究工作

LeTac-MPC：这项研究从传统控制方法出发，通过学习物理驱动的触觉表征，并设计可微分的模型预测控制器，实现能够泛化到广泛日常物体的响应式抓取。

UniT：这项研究探讨如何通过少量单一物体的数据学习出能够泛化至广泛未见物体的触觉表征，并利用这种数据高效的触觉表征来促进下游任务中的感知与策略学习。

5. 活动总结

本次“新锐论前沿”线上分享活动将为参与者带来关于数据高效触觉表征在机器人学习中的最新研究成果，并提供宝贵的学习和交流机会。 通过学习徐政通博士的研究工作，我们可以深入了解如何利用GelSight技术提升机器人触觉感知能力，并推动机器人技术在更多领域的应用。

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