研究背景
研究人员总是困扰着要找到一种合适的方法来弥补他们收集的数据和他们追求的目标之间的差距，研究触觉传感器的人也不例外。随着材料科学、电子工程和制造技术的发展，触觉传感器已经从笨重的躯体发展到微型的形式，功能从单一变量传感丰富到各种刺激感知，在缩小传感器尺寸的同时提高了传感能力，并变得更加可扩展。由于多种信号的耦合，数据变得更加复杂。一方面，这种进步使触觉信号更加精确和密集，使人们能够更好地理解触觉信息。另一方面，这种改进也给触觉信号的处理带来了新的挑战，包括运行速度、信号解耦和信息提取等方面。传统上，在对触觉传感器进行精确校准后，研究人员会进行统计分析，采用变换理论，依靠物理模型或模拟，或利用其他数学工具从原始数据中获得进一步的信息。然而，这些数据处理方法在处理复杂的触觉问题时是不够的，如提供快速反应，分析异质信号，提供准确的感觉判断，以及处理大规模数据分析。在计算机视觉、语音识别和自然语言处理等其他感知和理解领域，机器学习作为一种新兴的数据处理技术，已经有了飞跃性的发展，在快速分析庞大的数据流方面取得了突出的表现。由于机器学习具有精度高、鲁棒性强、计算速度快等优点，触觉感知领域的研究人员试图利用这种技术来进一步理解触觉数据，以便更好地实际应用。
根据机器学习算法的输入和传感器类型，触觉数据主要分为两类: 模拟和尖峰 (图 1)。模拟信号是具有任意值的连续信号，这是从一般的触觉传感器，如压阻式、压电式、光学式、生物光电容式和磁传感器中获得的常见数据类型。这些传感器已被广泛应用于可穿戴电子感应系统、生物集成感应系统、机器人感知和其他领域。尽管传统的触觉信号是模拟信号，但由于尖峰信号的功率效率高、延迟短，更重要的是有生理基础近年来在设计触觉传感器时，产生尖峰信号的趋势在陡然增长理想的尖峰信号是全或无价值的，通常由离散的单比特事件表示。从神经学中得出的尖峰信号的更广泛的定义是像一个特定的细胞位置的膜电位，它有两种状态，兴奋和休息。尽管尖峰信号在触觉传感方面表现出了相当大的前景，但在有关触觉数据处理的评论中，它们仍然大多被忽略了。本综述试图弥补这一不足。模拟信号和尖峰信号的一个典型区别是，模拟信号是在一个共同的时钟周期内收集的，数值是任意的，而尖峰信号是一些具有时间精度的特征事件的发生。基于时钟的模拟信号和基于事件的尖峰信号之间的区别导致了处理方法的不同。因此，不同的机器学习算法被设计和利用来处理这两种类型的输入。来自触觉传感器的原始数据，无论是模拟信号还是尖峰信号，通常都是不规则的、异质的和复杂的，它们需要谨慎而有力的处理来揭示潜在的高级信息。
用机器学习处理触觉数据包含几个步骤：数据采集、预处理、特征提取和机器学习算法(图1)。数据从触觉传感器获取，量化传感器和一些刺激物之间的接触互动因素。生物触觉受体感知机械、热和其他刺激，这些刺激被传输到中枢神经系统进行触觉感知。研究人员试图模仿生物的触觉，并设计了测量物理互动过程中的力、温度、湿度和其他信号的触觉传感器。获得触觉信号后，首先进行预处理。预处理通常包括数据清洗和数据标准化。从触觉传感器获得的原始数据不可避免地包含噪音或其他干扰信号。数据清理试图通过过滤器等方法来消除这些干扰。另外，腐败和不准确的数据也会被检测和纠正，可以通过手动或依靠些算法。为了将来自不同触觉来源、不同时间尺度或不一致的传感器的数据转化为一致的标准，以便于进一步分析，需要进行数据标准化。预处理是触觉信息处理的关键，不限于机器学习的范围，而是所有数据处理程序中的普遍现象。在数据预处理后通过计算定义的特征或使用机器学习技术实现特征提取。对于低维度的触觉数据，特征提取可以省略。而随着高密度和快速采样频率的触觉传感器的发展，许多高维度的触觉信号出现，提出了对特征提取的需求。一些处理方法似乎不包括额外的特征提取步骤。不过特征提取的效果还是可以通过机器学习算法的中间阶段来实现。神经网络的夹层是一个典型的例子。特征的选择和相应的特征提取方法对最终结果的准确性很重要。得体的选择不仅要保持触觉信号的大部分信息，还要最大限度地减少数据的冗余度。然后将处理后的数据输入机器学习算法，以实现触觉传感的预期应用目标。特征的选择和机器学习算法的选择都对最终结果起着重要作用。一方面，通过适当的特征提取策略，即使是简单的机器学习算法也能提供一个好的结果。另一方面，一个足够强大的机器学习算法即使没有特征提取步骤也能有令人满意的表现。在实践中，对这两个方面的精心选择的组合为研究人员提供了强大的数据处理工具。
机器学习任务可以大致分为四类: 分类、回归、聚类和降维。分类和回归是监督学习的任务其中数据被标记，而算法的目标是预测相应的数据标签。分类处理的是离散的标签，例如，预测触觉传感器接触的是哪个物体，检测是否发生滑倒。回归被定义为解决具有连续标签的任务，例如估计接触力和位置。当连续值被阈值化或离散化回归问题可以被重新表述为分类任务。例如，上面提到的力的估计问题可以转变成几个定义明确的力级分类问题。虽然传统的数据分析方法可以解决触觉传感中简单的分类和回归任务，但当处理难以建模或难以优化的值的分类和回归问题时，传统方法的模型变得很麻烦，可能无法取得令人满意的结果。而机器学习，以其数据驱动的特性，成为完成这类任务的有力工具。聚类和降维是无监督学习的任务，目的是发现数据的隐藏模式。聚类是根据相似性将数据分组，主要用于分析触觉数据。而有时，聚类也可用于触觉传感的数据清理。由于触觉输入量不断增加的趋势，降维在触觉传感中变得越来越普遍。机器学习能够处理其他任务，如异常检测和关联学习，以及前面列出的四个任务。然而，这些任务在触觉传感器的使用中并不常见。同时，除了监督学习和无监督学习，强化学习是另一种典型的机器学习算法。强化学习强调解决决策问题，通常用于机器人操纵，计算下一步的行动。除了少数直接将触觉信号作为输入的情况外，强化学习的触觉信号处理通常是通过监督学习、非监督学习、或其他数据处理技术来感知当前状态。对机器人操纵的强化学习感兴趣的读者可以参考这些论文。总而言之，本综述的主要目的是分类回归、聚类和降维这四个任务的算法和应用，以及监督学习和无监督学习这两个机器学习类别。
研究成果
在过去的几十年里，触觉传感器在材料、制造和机械结构设计方面得到了快速发展。触觉传感器的进步提高了人们对传感器功能的期望，从而对数据处理提出了更高的要求。然而，传统的分析技术并没有跟上触觉传感器发展的步伐，仍然存在着一些严重的缺点，如模型繁琐效率低下、成本昂贵等。机器学习以其突出的大数据分析能力和快速的处理速度，可以为触觉数据分析提供许多可能性。在此，作者回顾了用于处理触觉信号的机器学习技术。涵盖了模拟信号的监督学习和无监督学习，并总结了用机器学习处理尖峰信号。此外，还介绍了机器人触觉感知和人类活动监测方面的应用。最后，讨论了传感器、数据、算法和基准方面的当前挑战和未来前景。相关报道以“Machine Learning for Tactile Perception: Advancements， Challenges， and Opportunities”为题发表在Advanced Intelligent Systems期刊上。深圳大学王子娅教授&香港中文大学孙正隆教授为通讯作者。
图文导读
Figure 1. Overview of machine learning workflow for tactile sensing.
Figure 2. Unsupervised learning for analog signals.
Figure 3. Statistical learning algorithms for tactile sensing.
Figure 4. Artificial neural networks for tactile sensing.
Figure 5. Recurrent neural network for human activity detection.
Figure 6. Convert analog signals to spikes.
Figure 7. Training schemes of SNNs.
Figure 8. Extract analog features from spikes.
Figure 9. Tactile applications in hand motion monitoring and gait analysis with supervised learning.
Figure 10. Besides hand motion monitoring and gait analysis, other typical human activity monitoring applications with tactile perception using machine learning are shown here.
Figure 11. Supervised learning for robot tactile perception.
总结与展望
在这篇综述中，作者介绍了触觉数据如何从原始传感器输出到模拟和尖峰模式的目标结果并介绍了无监督和监督学习如何应用于数据处理程序。新兴的触觉传感器和机器学习技术为机器人感知、人机界面、电动皮肤和健康护理监测带来了一场革命。然而，有一些挑战任务值得一提，需要下一步的发展。
1. 传感器设计
在过去的几十年里，大多数触觉智能系统是以传感器为中心或以结构为中心设计的，应用机器学习辅助。这种设计策略实际上对最佳机器学习性能设置了限制，并引入了一些不可避免的噪音。因此，可以引入机器学习辅助的传感器设计。通过考虑算法的选择和信号处理程序的设计，首先设定了期望的性能。在传感器设计的迭代过程中，目标性能指导传感器的重新设计。它可以在数据维度、输入信号方面进行优化，例如，以顿或时间相关的序列进行处理因此，一些缺点可以被克服。定义的算法避免了复杂的模型选择和硬特征的训练数据。此外，特征优化可以部分地在硬件层面实现。此外，通过共享相同的设计策略系统，转移学习将更容易实现。按照这个策略，智能传感器设计的下一次迭代将使用上一次迭代中确定的权重和超参数来初始化传感算法，从而简化了设计过程。
2. 数据质量和数量
作为一种数据驱动的方法，机器学习需要高质量的数据。大型数据集也有利于从数据中发现知识。然而，与图像或文本不同，触觉数据要昂贵得多。数据的质量在很大程度上取决于智能系统中的传感器和转换的灵敏度和稳定性。大量的数据为挖掘它们背后的有用信息提供了基础。而在触觉数据领域，却很难达到。一方面，像素点战略中的传感器需要高稳定性。然而，由于几何上的复杂性和冗余信息，这些数据很难处理和重建互动。另一方面，由于人体的分辨率分布，除了像指尖这样需要细微识别的敏感区域，没有必要在身体的每一个点上都实现高分辨率。因此，最近在机器人身体和手臂方面的一些研究倾向于在多层电动皮肤下设置稀疏的数据点来实现超分辨率识别。
3. 算法开发
目前，大多数用于触觉传感的机器学习方法都来自视觉、自然语言处理和其他领域的算法要么采用算法来处理触觉信号，要么将触觉信号转化为算法可以处理的理想输入。然而，将触觉信号转化为相应的算法输入，要么增加数据冗余，要么失去一些可能包含信息的微小信号。采用触觉信号的算法也牺牲了一些专门为图像和文本设计的优势。目前还缺乏专门为触觉信号设计的算法。为了推进对触觉数据的理解，研究这种算法是值得的。尖峰神经网络是个潜在的选择，但它仍未发展到能赶上其他传统机器学习方法的性能。
文献链接
Machine Learning for Tactile Perception: Advancements， Challenges， and Opportunities
https://doi.org/10.1002/aisy.202200371.
转自：“i学术i科研”微信公众号
如有侵权，请联系本站删除！
