AnySkin: Plug-and-play Skin Sensing for Robotic Touch
作者: Raunaq Bhirangi, Venkatesh Pattabiraman, Enes Erciyes, Yifeng Cao, Tess Hellebrekers, Lerrel Pinto
分类: cs.RO, cs.AI
发布日期: 2024-09-12 (更新: 2024-09-27)
💡 一句话要点
AnySkin：用于机器人触觉的即插即用型皮肤传感器，实现零样本泛化。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 触觉传感 机器人皮肤 即插即用 零样本泛化 强化学习
📋 核心要点
- 现有触觉传感器在通用性、可替换性和数据可重用性方面存在不足，限制了其在机器人领域的广泛应用。
- AnySkin通过解耦传感电子设备和传感界面，并采用磁性吸附设计，实现了即插即用和快速更换。
- 实验证明，AnySkin具有良好的滑移检测能力，并且训练的模型可以零样本泛化到新的传感器实例上。
📝 摘要（中文）
触觉传感作为一种重要的传感方式被广泛认可，但其应用远不及视觉和本体感觉等其他传感方式。AnySkin旨在解决阻碍触觉传感使用的关键挑战——通用性、可替换性和数据可重用性。AnySkin基于ReSkin的简化设计，并将传感电子设备与传感界面分离，简化了集成过程，使其像安装手机壳和连接充电器一样简单。此外，AnySkin是第一个具有学习操纵策略跨实例泛化能力的未校准触觉传感器。总而言之，这项工作做出了三个关键贡献：首先，我们介绍了一种简化的制造工艺和一个设计工具，用于创建一种无粘合剂、耐用且易于更换的磁性触觉传感器；其次，我们使用AnySkin传感器表征了滑移检测和策略学习；第三，我们展示了在AnySkin的一个实例上训练的模型到新实例的零样本泛化，并将其与流行的现有触觉解决方案（如DIGIT和ReSkin）进行了比较。实验视频、制造细节和设计文件可在https://any-skin.github.io/上找到。
🔬 方法详解
问题定义：现有触觉传感器集成复杂，更换困难，且数据难以在不同传感器实例间复用，限制了触觉感知在机器人领域的应用。现有方法通常需要对每个传感器进行单独校准，成本高昂且效率低下。
核心思路：AnySkin的核心思路是将传感电子设备与传感界面分离，采用磁性吸附方式连接，实现传感器的即插即用和快速更换。通过简化制造工艺和采用无校准的学习方法，实现触觉数据的跨实例泛化。
技术框架：AnySkin系统主要包含两个部分：可更换的皮肤传感器和传感电子设备。皮肤传感器采用磁性材料固定，易于更换。传感电子设备负责读取传感器数据并进行处理。整个系统无需校准，可以直接用于策略学习和控制。
关键创新：AnySkin的关键创新在于其即插即用的设计和零样本泛化能力。通过解耦传感电子设备和传感界面，实现了传感器的快速更换和维护。通过无校准的学习方法，实现了触觉数据的跨实例泛化，大大降低了数据采集和模型训练的成本。
关键设计：AnySkin采用磁性吸附方式固定皮肤传感器，无需粘合剂，方便更换。传感器的设计采用ReSkin的简化设计，降低了制造成本。在策略学习方面，采用强化学习算法，并设计了合适的奖励函数，以实现滑移检测和物体操作。
🖼️ 关键图片
📊 实验亮点
实验结果表明，AnySkin具有良好的滑移检测能力，能够准确识别物体表面的滑移。更重要的是，在AnySkin的一个实例上训练的模型可以零样本泛化到新的实例上，性能与在目标实例上训练的模型相当，显著优于DIGIT和ReSkin等现有触觉传感器。
🎯 应用场景
AnySkin可广泛应用于机器人灵巧操作、物体识别、表面纹理感知等领域。其即插即用的特性使得机器人能够快速适应不同的任务和环境。在医疗、工业、服务等领域具有重要的应用价值，例如，可用于远程手术机器人、自动化装配线、家庭服务机器人等。
📄 摘要（原文）
While tactile sensing is widely accepted as an important and useful sensing modality, its use pales in comparison to other sensory modalities like vision and proprioception. AnySkin addresses the critical challenges that impede the use of tactile sensing -- versatility, replaceability, and data reusability. Building on the simplistic design of ReSkin, and decoupling the sensing electronics from the sensing interface, AnySkin simplifies integration making it as straightforward as putting on a phone case and connecting a charger. Furthermore, AnySkin is the first uncalibrated tactile-sensor with cross-instance generalizability of learned manipulation policies. To summarize, this work makes three key contributions: first, we introduce a streamlined fabrication process and a design tool for creating an adhesive-free, durable and easily replaceable magnetic tactile sensor; second, we characterize slip detection and policy learning with the AnySkin sensor; and third, we demonstrate zero-shot generalization of models trained on one instance of AnySkin to new instances, and compare it with popular existing tactile solutions like DIGIT and ReSkin. Videos of experiments, fabrication details and design files can be found on https://any-skin.github.io/