Contact Status Recognition and Slip Detection with a Bio-inspired Tactile Hand
作者: Chengxiao He, Wenhui Yang, Hongliang Zhao, Jiacheng Lv, Yuzhe Shao, Longhui Qin
分类: cs.RO
发布日期: 2026-03-19
备注: 7 pages, 9 figures
💡 一句话要点
提出一种基于仿生触觉手的接触状态识别与滑移检测方法，适用于易碎物体操作。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 触觉感知 滑移检测 接触状态识别 仿生机器人手 机器学习
📋 核心要点
- 现有方法在滑移检测中常采用阈值法，鲁棒性较差，难以适应复杂环境和不同材质。
- 该方法将滑移检测转化为接触状态识别，利用仿生触觉手获取多通道触觉信息，提取时频特征。
- 实验表明，该方法在不同滑动速度和材料上均表现出高精度，并具有良好的泛化能力。
📝 摘要（中文）
本文提出了一种利用五指仿生手上的多模态触觉反馈来实现滑移检测的方法。受人类手的启发，触觉传感元件被分布并嵌入到机器人手的软皮肤中，总共形成24个触觉通道。与现有工作中广泛采用的阈值方法不同，本文首先将滑移检测问题转化为接触状态识别问题，并结合分箱技术，然后根据识别结果检测滑移开始时间。24通道触觉信号经过离散小波变换后，从不同的时频带提取了17个特征。使用最佳的120个特征进行状态识别，在三种不同的滑动速度和六种材料上的测试精度达到96.39%。当应用于四种新的未见过的材料时，仍然实现了91.95%的高精度，进一步验证了所提出方法的泛化性。最后，基于训练好的接触状态识别模型验证了滑移检测的性能。
🔬 方法详解
问题定义：论文旨在解决机器人操作中，特别是对于易碎或光滑物体，如何实现稳定可靠抓取的问题。现有方法通常假设物体已被牢固抓取，但实际应用中，滑移检测和及时预防至关重要。传统的基于阈值的滑移检测方法对环境变化和物体材质敏感，鲁棒性较差。
核心思路：论文的核心思路是将滑移检测问题转化为接触状态识别问题。通过识别不同接触状态（例如，静止、轻微滑动、明显滑动），可以更准确地判断滑移的发生和程度，从而采取相应的控制措施。这种方法借鉴了人类通过触觉感知来判断物体状态的机制。
技术框架：整体框架包括以下几个主要阶段：1) 触觉数据采集：利用仿生触觉手上的24个触觉传感器采集多通道触觉数据。2) 特征提取：对触觉信号进行离散小波变换，提取时域和频域特征，共17个特征。3) 接触状态识别：使用提取的特征训练分类器，识别不同的接触状态。4) 滑移检测：根据接触状态识别的结果，判断滑移的发生和起始时间。
关键创新：最重要的创新点在于将滑移检测问题转化为接触状态识别问题，并利用机器学习方法进行状态识别。与传统的阈值方法相比，该方法能够更好地适应不同的环境和物体材质，具有更强的鲁棒性和泛化能力。此外，利用离散小波变换提取时频特征，能够更全面地捕捉触觉信号的变化。
关键设计：论文中关键的设计包括：1) 触觉传感器的分布：仿照人类手部的触觉感受器分布，将传感器嵌入到机器人手的软皮肤中。2) 特征选择：通过实验选择最佳的120个特征用于状态识别。3) 分类器选择：论文中可能使用了某种分类器（具体类型未知），并对其参数进行了优化（具体参数未知）。4) 分箱技术：论文提到了分箱技术，但具体如何应用到接触状态识别中，细节未知。
🖼️ 关键图片
📊 实验亮点
该方法在三种滑动速度和六种材料上实现了96.39%的接触状态识别准确率。更重要的是，在四种新的未见过的材料上，仍然达到了91.95%的准确率，验证了该方法良好的泛化能力。这些结果表明，该方法在实际应用中具有很高的潜力。
🎯 应用场景
该研究成果可应用于各种需要精细操作的机器人应用中，例如：易碎物品的抓取和搬运、医疗手术机器人、食品加工机器人等。通过提高抓取的稳定性和可靠性，可以减少操作失误，提高生产效率，并扩展机器人的应用范围。
📄 摘要（原文）
Stable and reliable grasp is critical to robotic manipulations especially for fragile and glazed objects, where the grasp force requires precise control as too large force possibly damages the objects while small force leads to slip and fall-off. Although it is assumed the objects to manipulate is grasped firmly in advance, slip detection and timely prevention are necessary for a robot in unstructured and universal environments. In this work, we addressed this issue by utilizing multimodal tactile feedback from a five-fingered bio-inspired hand. Motivated by human hands, the tactile sensing elements were distributed and embedded into the soft skin of robotic hand, forming 24 tactile channels in total. Different from the threshold method that was widely employed in most existing works, we converted the slip detection problem to contact status recognition in combination with binning technique first and then detected the slip onset time according to the recognition results. After the 24-channel tactile signals passed through discrete wavelet transform, 17 features were extracted from different time and frequency bands. With the optimal 120 features employed for status recognition, the test accuracy reached 96.39% across three different sliding speeds and six kinds of materials. When applied to four new unseen materials, a high accuracy of 91.95% was still achieved, which further validated the generalization of our proposed method. Finally, the performance of slip detection is verified based on the trained model of contact status recognition.