Insight: Sensor Háptico Blando Mejora la Sensibilidad Táctil de los Robots

En un artículo publicado en Nature Machine Intelligence, un equipo de científicos del Instituto Max Planck de Sistemas Inteligentes (MPI-IS) presentó un sensor háptico blando robusto llamado "Insight" que usa visión por computadora y una red neuronal profunda para estimar con precisión dónde contactan los objetos con el sensor y qué tan grandes son las fuerzas aplicadas. El proyecto de investigación es un paso significativo hacia que los robots puedan sentir su entorno tan precisamente como humanos y animales. Como su contraparte natural, el sensor de yema de dedo es muy sensible, robusto y de alta resolución.

Diseño Híbrido: Caparazón Blando con Esqueleto Rígido

El sensor con forma de pulgar está hecho de una carcasa blanda construida alrededor de un esqueleto rígido ligero. Este esqueleto sostiene la estructura igual que los huesos estabilizan el tejido blando del dedo. La carcasa está hecha de un elastómero mezclado con escamas de aluminio oscuras pero reflectantes, resultando en un color grisáceo opaco que impide que cualquier luz externa entre. Escondida dentro de esta tapa del tamaño de un dedo hay una diminuta cámara ojo de pez de 160 grados que graba imágenes coloridas iluminadas por un anillo de LEDs.

Procesamiento con Red Neuronal Profunda

Cuando cualquier objeto toca la carcasa del sensor, la apariencia del patrón de color dentro del sensor cambia. La cámara graba imágenes muchas veces por segundo y alimenta una red neuronal profunda con estos datos. El algoritmo detecta incluso el cambio más pequeño de luz en cada píxel. En una fracción de segundo, el modelo de aprendizaje automático entrenado puede mapear exactamente dónde el dedo contacta un objeto, determinar qué tan fuertes son las fuerzas e indicar la dirección de la fuerza. El modelo infiere lo que los científicos llaman un mapa de fuerzas: proporciona un vector de fuerza para cada punto en la yema del dedo tridimensional.

"Logramos este excelente rendimiento de detección a través del diseño mecánico innovador de la carcasa, el sistema de imagen adaptado en el interior, recolección automática de datos y aprendizaje profundo de vanguardia", dijo Georg Martius, Líder del Grupo de Investigación Max Planck en MPI-IS, donde dirige el Grupo de Aprendizaje Autónomo. "Nuestra estructura híbrida única de una carcasa blanda que encierra un esqueleto rígido asegura alta sensibilidad y robustez. Nuestra cámara puede detectar incluso las más mínimas deformaciones de la superficie desde una sola imagen", añadió su estudiante de doctorado Huanbo Sun. Mientras probaban el sensor, los investigadores se dieron cuenta de que era lo suficientemente sensible para sentir su propia orientación relativa a la gravedad.

Entrenamiento con 200.000 Medidas

Pero, ¿cómo aprende tal sensor? Huanbo Sun diseñó un banco de pruebas para generar los datos de entrenamiento necesarios para que el modelo de aprendizaje automático entienda la correlación entre el cambio en píxeles de imagen crudos y las fuerzas aplicadas. El banco de pruebas sondea el sensor por toda su superficie y registra el vector de fuerza de contacto real junto con la imagen de la cámara dentro del sensor. De esta manera, se generaron unas 200.000 medidas. Tardó casi tres semanas en recopilar los datos y otro día en entrenar el modelo de aprendizaje automático. Sobrevivir a este largo experimento con tantas fuerzas de contacto diferentes ayudó a probar la robustez del diseño mecánico de Insight, y pruebas con una sonda más grande mostraron qué tan bien generaliza el sistema de detección.

Zona Tactil Fovea para Máxima Sensibilidad

Otra característica especial del sensor con forma de pulgar es que posee una zona en forma de uña con una capa de elastómero más delgada. Esta fóvea táctil está diseñada para detectar incluso fuerzas diminutas y formas de objetos detalladas. Para esta zona supersensible, los científicos eligieron un espesor de elastómero de 1,2 mm en lugar de los 4 mm que usaron en el resto del sensor del dedo.

"El diseño de hardware y software que presentamos en nuestro trabajo puede transferirse a una amplia variedad de partes de robots con diferentes formas y requisitos de precisión. La arquitectura de aprendizaje automático, entrenamiento y proceso de inferencia son todos generales y pueden aplicarse a muchos otros diseños de sensores", dijo Huanbo Sun.