麻省理工學院計算機科學與人工智慧實驗室(MIT-CSAIL)的研究人員近日開發了一種低成本的感測器手套，旨在使人工智慧能夠“弄清楚”人類如何透過觸控識別物體。它被稱為可伸縮的TActile手套（STAG），使用550個微小的壓力感測器來生成可用於建立改進的機械手的模式。
人類非常善於透過觸控來弄清楚物體是什麼（例如在黑暗中摸索眼鏡或手機）。工程師希望機器人也能效仿這種能力。這樣做的一種方法是收集儘可能多的關於人類實際上如何透過觸控識別的資訊。原因在於，如果有足夠大的資料庫，那麼機器學習可以用來進行分析，不僅可以推斷人手如何識別某物，還可以估計其重量 - 機器人和假肢難以做到這點。
麻省理工學院正在透過配備550個壓力感測器的低成本針織手套收集這些資料。手套連線到計算機，計算機收集資料，壓力測量結果被轉換為影片“觸覺地圖”並被輸入卷積神經網路（CNN）。該網路能對影象進行分類，找出特定的壓力模式並將其與特定的物體相匹配。
該團隊從26個常見物體（如飲料罐、剪刀、網球、勺子、鋼筆和馬克杯）中收集了135,000個影片幀。然後，神經網路將半隨機幀與特定的夾點相匹配，直到建立了一個物體的完整圖片 - 這與人們透過在手中滾動物體來識別物體的方式非常相似。透過使用半隨機影象，可以給網路提供相關的影象叢集，因此不會在無關資料上浪費時間。
“我們希望最大化框架之間的差異，為我們的網路提供最好的輸入，”CSAIL 博士後Petr Kellnhofer說。“單個群集中的所有幀都應該具有類似的簽名，這些簽名代表了抓取物件的類似方式。從多個群集中取樣模擬人類互動式嘗試探索物體時找到不同的抓取方式。”
該系統目前識別物體的精確度為76％，其還可以幫助研究人員瞭解手掌握和操縱它們的方式。為了估計重量，研究人員還編制了一個11,600幀的單獨資料庫，顯示在跌落之前用手指和拇指拾取物體。透過在物體被保持時測量手周圍的壓力，然後在跌落後比較它，可以測量重量。
該系統的另一個優點是成本和靈敏度。類似的感測器手套價值數千美元，卻只有50個感測器。而麻省理工學院的手套則採用現成的材料，成本僅為10美元。
該研究發表在《自然》雜誌上。
麻省理工學院計算機科學與人工智慧實驗室(MIT-CSAIL)的研究人員近日開發了一種低成本的感測器手套，旨在使人工智慧能夠“弄清楚”人類如何透過觸控識別物體。它被稱為可伸縮的TActile手套（STAG），使用550個微小的壓力感測器來生成可用於建立改進的機械手的模式。
人類非常善於透過觸控來弄清楚物體是什麼（例如在黑暗中摸索眼鏡或手機）。工程師希望機器人也能效仿這種能力。這樣做的一種方法是收集儘可能多的關於人類實際上如何透過觸控識別的資訊。原因在於，如果有足夠大的資料庫，那麼機器學習可以用來進行分析，不僅可以推斷人手如何識別某物，還可以估計其重量 - 機器人和假肢難以做到這點。
麻省理工學院正在透過配備550個壓力感測器的低成本針織手套收集這些資料。手套連線到計算機，計算機收集資料，壓力測量結果被轉換為影片“觸覺地圖”並被輸入卷積神經網路（CNN）。該網路能對影象進行分類，找出特定的壓力模式並將其與特定的物體相匹配。
該團隊從26個常見物體（如飲料罐、剪刀、網球、勺子、鋼筆和馬克杯）中收集了135,000個影片幀。然後，神經網路將半隨機幀與特定的夾點相匹配，直到建立了一個物體的完整圖片 - 這與人們透過在手中滾動物體來識別物體的方式非常相似。透過使用半隨機影象，可以給網路提供相關的影象叢集，因此不會在無關資料上浪費時間。
“我們希望最大化框架之間的差異，為我們的網路提供最好的輸入，”CSAIL 博士後Petr Kellnhofer說。“單個群集中的所有幀都應該具有類似的簽名，這些簽名代表了抓取物件的類似方式。從多個群集中取樣模擬人類互動式嘗試探索物體時找到不同的抓取方式。”
該系統目前識別物體的精確度為76％，其還可以幫助研究人員瞭解手掌握和操縱它們的方式。為了估計重量，研究人員還編制了一個11,600幀的單獨資料庫，顯示在跌落之前用手指和拇指拾取物體。透過在物體被保持時測量手周圍的壓力，然後在跌落後比較它，可以測量重量。
該系統的另一個優點是成本和靈敏度。類似的感測器手套價值數千美元，卻只有50個感測器。而麻省理工學院的手套則採用現成的材料，成本僅為10美元。
該研究發表在《自然》雜誌上。