Contenido principal del artículo

Julio Castaño Amorós
Universidad de Alicante
España
https://orcid.org/0000-0001-9789-1628
Killian Trebuchon
Université Blaise Pascal
Francia
Pablo Gil
Universidad de Alicante
España
https://orcid.org/0000-0001-9288-0161
Youcef Mezouar
Université Blaise Pascal
Francia
Núm. 45 (2024), Robótica
DOI: https://doi.org/10.17979/ja-cea.2024.45.10763
Recibido: may. 24, 2024 Aceptado: jul. 3, 2024 Publicado: jul. 15, 2024
Derechos de autor

Resumen

Un agarre robótico óptimo no puede limitarse a la estimación de pose de agarre del objeto mediante visión. Se hace necesario el uso de sensores táctiles para conocer las propiedades físicas de los objetos que se agarran. En este trabajo, integramos dos sensores táctiles Contactile basados en la fuerza con una pinza ROBOTIQ 2F-140 y un robot UR5, para estimar el volumen de un recipiente lleno de agua utilizando redes neuronales Perceptrón Multicapa (MLP). Durante la experimentación entrenamos y evaluamos diferentes MLPs variando las fuerzas de entrada (Fx, Fy, Fz) en una tarea de regresión de volumen discreto en un rango de entre 0ml y 300ml. El enfoque preliminar propuesto se compara con un método algebraico basado en el diagrama del equilibrio de fuerzas, demostrando que nuestros resultados son más precisos, obteniendo un valor R2 un 8% superior en el peor de los casos, y del 30% en el mejor.

Detalles del artículo

Citas

Castaño-Amorós, J., Gil, P., 2023. Measuring object rotation via visuo-tactile segmentation of grasping region. IEEE Robotics and Automation Letters 8 (8), 4537–4544. DOI: 10.1109/LRA.2023.3285471 DOI: https://doi.org/10.1109/LRA.2023.3285471

Chareyre, M., Fournier, P., Moras, J., Mezouar, Y., Bourinet, J.-M., 2022. Towards generic object property estimation using unsupervised reinforcement learning. In: Int. Conf. on Intelligent Robots and Systems (IROS). Workshop on Mobile Manipulation and Embodied Intelligence: Challenges and Opportunities. Kyoto, Japan. URL: hal.science/hal-03927900

Chi, C., Sun, X., Xue, N., Li, T., Liu, C., 2018. Recent progress in technologies for tactile sensors. Sensors 18 (4). DOI: 10.3390/s18040948 DOI: https://doi.org/10.3390/s18040948

Dikhale, S., Patel, K., Dhingra, D., Naramura, I., Hayashi, A., Iba, S., Jamali, N., 2022. Visuotactile 6d pose estimation of an in-hand object using vision and tactile sensor data. IEEE Robotics and Automation Letters 7 (2), 2148–2155. DOI: 10.1109/LRA.2022.3143289 DOI: https://doi.org/10.1109/LRA.2022.3143289

Huang, H.-J., Guo, X., Yuan, W., 2022. Understanding dynamic tactile sensing for liquid property estimation. In: Robotics: Science and Systems (RSS). IFRR, New York, USA. DOI: 10.48550/arXiv.2205.087716. DOI: https://doi.org/10.15607/RSS.2022.XVIII.072

Khamis, H., Xia, B., Redmond, S. J., 2019. A novel optical 3d force and displacement sensor – towards instrumenting the papillarray tactile sensor. Sensors and Actuators A: Physical 291, 174–187. DOI: 10.1016/j.sna.2019.03.051 DOI: https://doi.org/10.1016/j.sna.2019.03.051

Lambeta, M., Chou, P.-W., Tian, S., Yang, B., Maloon, B., Most, V. R., Stroud, D., Santos, R., Byagowi, A., Kammerer, G., Jayaraman, D., Calandra, R., 2020. Digit: A novel design for a low-cost compact high-resolution tactile sensor with application to in-hand manipulation. IEEE Robotics and Automation Letters 5 (3), 3838–3845. DOI: 10.1109/LRA.2020.2977257 DOI: https://doi.org/10.1109/LRA.2020.2977257

Silva, A., Brites, M., Paulino, T., Moreno, P., 2019. Estimation of lightweight object’s mass by a humanoid robot during a precision grip with soft tactile sensors. In: Int. Conf. on Robotic Computing (IRC). IEEE, pp. 344–348. DOI: 10.1109/IRC.2019.00062 DOI: https://doi.org/10.1109/IRC.2019.00062

Yuan, W., Dong, S., Adelson, E. H., 2017. Gelsight: High-resolution robot tactile sensors for estimating geometry and force. Sensors 17 (12). DOI: 10.3390/s17122762 DOI: https://doi.org/10.3390/s17122762

Zapata-Impata, B. S., Gil, P., Torres, F., 2019a. Learning spatio temporal tactile features with a convlstm for the direction of slip detection. Sensors 19 (3). DOI: 10.3390/s19030523 DOI: https://doi.org/10.3390/s19030523

Zapata-Impata, B. S., Gil, P., Torres, F., 2019b. Tactile-driven grasp stability and slip prediction. Robotics 8 (4). DOI: 10.3390/robotics8040085 DOI: https://doi.org/10.3390/robotics8040085

Zhang, Y., Yuan, W., Kan, Z., Wang, M. Y., 2019. Towards learning to detect and predict contact events on vision-based tactile sensors. In: 3rd. Conf.on Robot Learning (CoRL). IFRR, Osaka, Japan. DOI: 10.48550/arXiv.1910.03973

Zhu, F., Jia, R., Yang, L., Yan, Y., Wang, Z., Pan, J., Wang, W., 2022. Visualtactile sensing for real-time liquid volume estimation in grasping. In: Int. Conf. on Intelligent Robots and Systems (IROS). IEEE/RSJ, Kyoto, Japan, pp. 12542–12549. DOI: 10.1109/IROS47612.2022.9981153 DOI: https://doi.org/10.1109/IROS47612.2022.9981153