通过分析图像估算表面的触觉特性的模型

估计对象的物理属性的能力对机器人至关重要，因为它使机器人可以更有效地与周围环境进行交互。近年来，许多机器人技术研究人员一直在专门尝试开发技术，以使机器人能够估计物体或表面的触觉特性，从而最终为他们提供类似于人类触摸感的技能。

基于先前的研究，马修·普里(Matthew Purri)博士 罗格斯大学(Rutgers University)的计算机视觉和人工智能专业的学生最近开发了一种基于卷积神经网络(CNN)的模型，该模型可以通过分析表面图像来估计表面的触觉特性。Purri的新论文预先发表在arXiv上，由Rutgers电气工程教授Kristin Dana监督。

Purri告诉TechXplore：“我以前的研究涉及从卫星图像中进行细粒度的材料分割。” “卫星图像序列以不同的视角和照明角度以及多光谱信息的形式提供了有关场景的大量物质信息。我们从以前的工作中了解到有价值的多视点信息对于识别材料是多么重要，并且相信这些信息可以起到物理表面性质估计问题的线索。”

Dana和Rutgers的其他研究人员以前曾尝试开发一种技术，该技术可根据反射盘图像来估计表面的摩擦系数。一种特定类型的图像，显​​示多少表面或材料能够反射辐射能。Purri在他的论文中着手进一步开发此方法，以便可以从RGB图像估计更多的物理属性。

Purri解释说：“这个新项目的目的是仅通过视觉信息来估计表面的众多物理特性，例如摩擦和柔韧性。” “我们与SynTouch公司合作，该公司创建了一个名为Toccare的触觉传感器，该传感器可测量表面的多种触觉物理特性。在我们的arXiv论文中，我们探索了从单个图像和多个图像估计这些特性的可能性。 。”

Purri和Dana在研究中探索的另一个问题是，拍摄不同输入图像的角度是否会影响他们的神经网络估计表面物理性质的程度。但是，代替手动选择不同的视角，研究人员设计了一种模型，该模型可以自动学习最佳视角组合以及理想的神经网络参数。