隨著機器人技術的不斷發(fā)展，將來機器人會更好融入我們?nèi)粘Ｉ�活。目前機器人在工業(yè)環(huán)境中，它們的動作可以通過程序化來實現(xiàn)G性能；而在非結構化環(huán)境(如家庭、辦公室和醫(yī)院)中的操作仍是個挑戰(zhàn)性問題。機器學習的進步J大地改善了現(xiàn)實環(huán)境中的操作，然而即使是大規(guī)模機器人訓練抓取系統(tǒng)（在兩個月內(nèi)收集了80萬次抓取嘗試的數(shù)據(jù)集上進行訓練）也有17.5%的失敗率[1]。當機器人在不確定環(huán)境中操作時，能夠檢測到它們是否成功地完成了操作任務是至關重要的。近年在IEEEWorld Haptics Conference上發(fā)表了Effectsof Force-Torque and Tactile Haptic Modalities on Classifying the Success of Robot Manipulation Tasks論文，通過研究找出一種觸覺感知模式適合機器人對其任務性能進行分類。

我們知道觸覺感知在提G自主機器人[2][3]的操作能力方面是至關重要。觸覺感知一般包括力-力矩和觸覺兩種方式：力-力矩傳感器通常安裝在機器人的手腕上，可以用來測量施加在機器人手上的總力和力矩；觸覺傳感器通常安裝在機器人的指尖或更大的區(qū)域作為“皮膚”，測量機器人和環(huán)境之間的局部相互作用[4][6]。觸覺感知包括接觸、壓力、溫度、局部力、變形[5]-[7]的G頻振動。多種觸覺感知模式可以一起使用，以提G實時操作控制器[8][9]的性能。觸覺感知的多種模式也可以用于操作性能的離線分類方法，比如識別一個物體何時滑過機器人的手[10]并確定被操縱對象[11][12]的屬性。Bekiroglu等人將來自觸覺指尖傳感器的數(shù)據(jù)與機器人手的配置信息和物體的先驗知識相結合，自動評估抓取的穩(wěn)定性[13]。

該文利用了Chu等人開發(fā)的任務完成分類方法。在他們的工作中，Chu等人在機器人試圖完成幾項操作任務時，記錄了一個安裝在腕上的力傳感器的數(shù)據(jù)。然后，他們?yōu)槊總�操作任務訓練了兩個隱馬爾科夫模型[14]，一個用于成功完成任務的機器人，另一個用于未能完成任務的機器人。作為他們工作的一部分，Chu等人使用這些模型將每個任務之前未見過的嘗試的四個實例劃分為成功或不成功，對于某些任務，這種方法可以得到出色的分類，然而，對于其他任務，比如用杯子舀意大利面，該方法的分類精度為50%[15]。

為了研究哪種觸覺模式或模式組合適合對任務完成進行分類，文中反復嘗試用三對指尖傳感器中的每一個來完成兩項任務。將每個試驗貼上“成功”或“不成功”的標簽，在使用了Chu等人開發(fā)的任務完成分類方法之后，使用從指尖和力-力矩傳感器提取的不同特征組合訓練了兩對隱馬爾科夫模型，經(jīng)過訓練的隱馬爾可夫模型被用來將以前未見過的試驗分為“成功”和“不成功”。機器人反復完成兩個動作：拾取任務和挖掘任務，拾取作業(yè)過程機器人的運動軌跡如圖2所示。在這個任務中，機器人從物體上方開始，打開它的末端夾持器，向下移動，使物體在夾持器的手指之間，合上夾持器，然后返回到起始位置。操縱的對象是一個軟墻門，這是一個半球體制成的柔性聚合物，之所以選擇這個對象，是因為它很難被拾取，從而確保了成功和失敗的拾取嘗試之間的良好平衡。如果機器人沒有撿起物體，或者在返回起始位置之前將物體掉落，則視為失敗。第二個任務是挖掘任務，它是模仿Chu等人設計的任務之一。在這個任務中，機器人拿著一個勺子，沿著預先設定的軌道移動，從一個盒子里舀意大利面，如圖2所示。在這個任務中，機器人用一個夾爪抓住鏟子，然而當機器人足夠用力地抓住鏟子時，NumaTac和BioTac的壓力讀數(shù)都飽和了，這樣它就不會在機器人的手上繞著連接機器人兩根手指的軸旋轉。為了解決這個問題，我們在機器人的手上加了一個“第三根手指”來穩(wěn)定鏟子，可能出現(xiàn)的故障類型有：（1）鏟子撞到箱底，機器人的關節(jié)承受了過大的扭矩，導致緊急停車；（2）鏟子在機器人手中滑動；（3）不舀意大利面，失敗是由機器人手中鏟子的位置和盒子里意大利面分布的變化引起的。

通過結果分析發(fā)現(xiàn)拾取任務的分類性能通常優(yōu)于挖掘任務的分類性能，可能這是由于拾取任務的失敗模式(拾取失敗或掉落)比挖掘任務的不同失敗模式(機器人攤牌、鏟斗滑落、機器人無法鏟起意大利面)產(chǎn)生更多相似的觸覺特征。選擇任務的分類性能也可能更G，這是因為在這個任務中，機器人的手直接操作任務對象，而在挖掘任務中，機器人使用手持工具(鏟子)來拿起意大利面。

研究者們未來將采用不同的機器學習分類技術是否能更好的幫助機器人判斷自己是否完成了任務。同時計劃研究僅使用部分任務軌跡的分類性能，使機器人能夠識別正在進行的任務何時可能失敗并糾正其動作，并將在更廣泛的任務集上驗證。