机器人利用所搭载的多种传感设备对目标物体进行正确的识别，对于实现机器人人机交互和灵巧手精细化操作等有着重要的意义[1-3]．其中，触觉信息是机器人操控系统中一种重要的传感信息，在非结构化环境中，对目标物体特征的动态刻画及物体的刚度和表面纹理等物理特性的描述有着其独特的优势，在机器人的外部环境探索和对目标物体的分类识别中，发挥着至关重要的作用[4-6]．研究人员对机器人识别感知理论进行了广泛而深入的研究，特别是基于触觉进行识别分类的研究方法在该领域取得了一定的成果[7-9]．由于触觉传感器只能拾取某点信息的特性，因此研究者们往往通过增加触觉点数量或者提高触觉传感器分辨率来更精确地获取目标物体的物理属性，从而提高物体识别的准确率．GANDARIAS等[10]使用千点级别高分辨率触觉阵列板按压物体拾取触觉图像信息，结合卷积神经网络(convolutional neural networks，CNN)有效地完成了物体识别分类，但多点触觉传感器由于尺寸问题难以结合机械手完成抓取识别．DRIMUS等[11]提出一种能贴附在机械手表面的高分辨率柔性压阻橡胶阵列式触觉传感器，机器人利用该传感器能够主动探索材料特性，但该传感器制造工艺复杂且易损坏．FISHEL等[12]使用能够提供振动、压力和温度的多模态传感器Bio Tac，用滑动的方式对纹理属性进行了探索．AGGARWAL等[13]利用三指夹爪上安装的高分辨率触觉传感器和6维力传感器，采用局部特征与全局特征匹配的方法，完成了目标物体的识别和定位．CHITTA等[14]使用带有高分辨触觉传感器的PR2机器人夹爪完成了对容器充盈度的识别，通过速度和力混合控制抓取方案避免了速度碰撞对识别准确率的影响．然而这些高分辨率的触觉传感器成本过高，而且由于触觉信息的复杂性，还须依靠一些复杂的抓握控制方案来组建触觉数据集，从而确保分类模型的识别准确率．为此，本研究使用一种气压式触觉阵列传感器拾取触觉信息，该传感器灵敏度高且价格低廉，结合欠驱动手结构特点，避免了抓取时速度碰撞对分类结果产生的影响，组建数据集时无须复杂的抓取控制方案，并通过离散卡尔曼滤波方法对气压式触觉信息进行降噪处理，防止采集的气压式触觉信息出现异常值干扰分类结果，最后结合随机森林(random forest，RF)分类方法对目标物体进行识别分类．实验结果表明：基于气压式触觉传感器的欠驱动手抓取分类方法能够有效地完成对目标物体的识别分类．1 方法描述1.1　系统构架为了提高机器人对周围环境的感知能力，搭建了基于气压式触觉的欠驱动手抓取识别分类系统，具体如图1所示．首先，利用安装气压式触觉传感器的欠驱动手对多种目标物体进行自适应抓握，通过采集抓握稳定阶段时手掌气压式触觉信息组建初始触觉特征数据集；其次，为了避免异常气压式触觉信息和噪声对分类结果产生影响，采用离散卡尔曼滤波方法对气压式传感触觉信息进行滤波预处理，以获得平滑稳定的触觉数据信息；最后，依据组建的触觉数据样本集，并结合随机森林分类方法完成对目标物体的识别分类．10.13245/j.hust.210908.F001图1分类系统构架1.2　气压式触觉传感器在抓取分类识别实验中，触觉传感信息的分布趋势影响着目标物体的识别准确率，所以对传感器的灵敏度和重复性误差有一定要求．MPL115A2是一种微型气压计传感芯片，传感器微小且价格低廉．采用真空抽气的方法用硅胶浇筑气压计芯片，气压计能够有效的拾取硅胶表面触觉压力信息，从而得到一种气压式的触觉传感器[15]．并且该气压式触觉传感器灵敏度高，且重复性误差小，能够满足分类识别需求．基于此原理设计了两种型号气压式触觉阵列传感器，具体如图2所示，其中，一种安装在手掌，分布61个触觉点，用于感知抓握物体时的触觉信息变化；另一种安装在手指指尖，分布2×2个触觉点，用于欠驱动手闭环抓取控制压力反馈．10.13245/j.hust.210908.F002图2气压式触觉传感器1.3　欠驱动灵巧手使用装有气压式触觉传感器的欠驱动手实现抓取识别分类，具体如图3所示，灵巧手主要由手掌、刚性关节、柔性指节、气压式触觉传感器及其他辅助部件构成．欠驱动灵巧手共设置5个手指，由腱绳驱动，其中柔性指节在抓握物体时会发生弯曲变形，能实现自适应抓取．10.13245/j.hust.210908.F003图3欠驱动灵巧手1—刚性关节；2—扭簧；3—手掌触觉传感器；4—指尖触觉传感器；5—柔性指节；6—腱绳．欠驱动灵巧手利用其结构特点，在基于触觉的物体识别分类实验中显示出了明显的优势．首先，欠驱动灵巧手是以逐渐贴合物体表面的方式来抓握物体，能够避免刚性手抓握物体时速度碰撞对识别结果产生的影响；其次，欠驱动灵巧手能够实现自适应抓取，对目标物体位姿差异较大的情况具有较好的鲁棒性，消除了组建数据集时刚性手精细抓取规划和固定目标物体位姿的必要性，无须复杂的抓取控制方案．1.4　离散卡尔曼滤波在抓握物体采集触觉信息的过程中，由于气压式传感器存在一定不稳定性和外界噪声的干扰，会影响气压式触觉信息的采集和传输，可能产生异常值而降低物体的识别准确率，因此在进行识别分类之前，须要针对采集的气压式触觉数据信息进行滤波处理，减少这种测量的不确定性，以提高模型的分类识别准确率．气压式触觉阵列传感器采集数据的过程可以看作是离散的过程，为了让灵巧手的识别能力更强，避免外界噪声的影响，基于离散卡尔曼滤波方法对采集到的触觉数据进行滤波处理．离散卡尔曼滤波能够通过上一时刻的状态估计值X̂k-1计算当前时刻的先验估计值X̂k/(k-1)，从而计算当前时刻的估计值X̂k，其基本状态预测方程为X̂k/(k-1)=Φk/(k-1)X̂k-1+Γk-1wk-1；(1)Pk/(k-1)=Φk/(k-1)Pk-1Φk/(k-1)T+Γk-1QkΓk-1T，(2)式中：Φk/(k-1)和Γk/(k-1)为状态变换矩阵；wk-1为状态控制量；Pk/(k-1)为系统协方差矩阵的先验状态估计值；Qk为系统噪声的协方差矩阵．通过对先验估计值进行修正得到的测量方程为Kk=Pk/(k-1)HT(HPk/(k-1)HT+Rk)-1；(3)X̂k=X̂k/(k-1)+Kk(Zk-HX̂k/(k-1))；(4)Pk=(I-KkH)Pk/(k-1)，(5)式中：Pk为系统的协方差矩阵；Rk为测量噪声的协方差矩阵；Kk为卡尔曼增益系数矩阵；H为观测模型矩阵；Zk为k时刻的测量值．当抓握稳定时触觉传感器的预测方程是恒等函数，即Φk/(k-1)=H=I，Γk-1=0，且忽略抓取物体时的移动误差，即系统噪声值Qk=0，那么卡尔曼滤波公式中的(1)和(2)可以简化为：X̂k/(k-1)=X̂k-1；(6)Pk/(k-1)=Pk-1．(7)将(6)和(7)代入式(3)、(4)和(5)进行简化可得：Kk=Pk/(k-1)(Pk/(k-1)+Rk)-1；(8)X̂k=X̂k/(k-1)+Kk(Zk-X̂k/(k-1))；(9)Pk=(I-Kk)Pk-1．(10)依据式(8)、(9)和(10)即可完成对触觉传感器采集的数据信息进行噪声滤波．1.5　随机森林分类器随机森林的基本思想是从原始样本数据中抽取多个子样本数据，并针对每个子样本构造分类决策树，最终通过这些决策树的预测结果以投票方式来决定分类结果．单一决策树很容易受到异常值的影响而降低模型分类准确率，而且构造决策树过程中选取了所有特征及样本，更容易发生过拟合现象．由于随机森林是多棵决策树的集成模型，并且通过采样子样本构造决策树，因此能够有效避免决策树的缺陷．基于触觉进行识别分类过程中，由于触觉信息的复杂性，因此对于模型的泛化能力要求很高，选取抗过拟合能力强的随机森林方法作为分类模型．随机森林首先通过bootstrap重采样方法对触觉数据集进行有放回的抽取样本，创建N组存在一定差异性的子样本集D={d1,d2,⋯,dN}，从而提高集成分类模型的预测能力．其中未被抽中的样本称为袋外数据(out-of-bag，OOB)，对应的袋外数据集B={b1,b2,⋯,bN}，可以用来评估分类器的正确率．然后利用创建的每组子样本集dk，构造出对应的分类决策树模型hk．分类决策树的每个节点依据Gini指数最小原则选取特征属性进行分裂，并且为了使决策树能够充分生长不采用剪枝技术，当所有特征属性用完时决策树停止生长，其中Gini指数可以表示为δGinit=1-∑i=0c-1p(i|t)2，式中：t为给定的节点；c为样本特征属性数量；i为某一特征属性标签；p(i|t)为特征属性i在节点t上所占的比例．通过对N组子样本集进行训练，得到一个分类模型序列{h1(x),h2(x),⋯,hN(x)}，从而构成多分类模型系统，该系统的最终分类结果通过投票方式完成，最终的投票方式可以表示为Cp=argmaxp1N∑k=1NI(Rhk,p/Rhk)，式中：Cp为分类结果；N为集成模型中决策树数量；I(⋅)为示性函数；Rhk,p为树hk对类别p的分类结果；Rhk为树hk的叶子节点数．2 实验验证与结果分析2.1　传感器性能评估为了测试这两种型号气压式触觉传感器是否能够满足分类识别的性能需求，搭建了触觉传感器性能评估实验平台，具体如图4所示，图中，导轨实验台通过丝杠控制六维力传感器在z轴方向移动，控制直径为6 mm的球形测量探针对气压式触觉传感器施加不同的载荷．10.13245/j.hust.210908.F004图4触觉传感器性能评估实验平台使用球形测量探针对准触觉阵列点中心位置，在0～5 N范围内进行加载和卸载性能测试实验，并且负载变化间隔为30 s．通过多次选取手掌和指尖触觉阵列点进行性能测试，现选取其中一组的3次测试数据进行分析，得到的测试曲线如图5所示，图中：p为气压式触觉传感器的输出数值；F为施加的载荷．10.13245/j.hust.210908.F005图5触觉传感器性能评估实验从图5可以看出：手掌触觉阵列点在3.5 N达到了测量阈值，指尖触觉阵列点在4.5 N才达到阈值，这是由于指尖触觉阵列点浇筑的硅胶更厚引起的，但是两者都表现出良好的灵敏度和重复性．其中，手掌和指尖触觉阵列点的灵敏度分别为13.73 和10.85 kPa/N，对压力变化具有较好的响应，最大重复性误差分别为3.54%和2.73%，表现出良好的稳定性．综上所述：该气压式触觉传感器对于载荷有良好的灵敏度和复现性，能够满足分类实验的性能需求．2.2　分类实验2.2.1　数据集采集使用UR5机械臂搭载欠驱动灵巧手对12种日常生活用品进行抓取分类实验．如图6所示，这12种物体由不同硬度、形状和材质的样本组成，具体包含网球、橙子、纸杯、熊偶玩具、软糖盒、铁质茶叶罐、盒装饮料、洗手液、黑色柱状海绵、矿泉水瓶、白色柱状珍珠棉和黑色保温杯．10.13245/j.hust.210908.F006图6实验物品进行数据采集实验前，须要对实验样本进行预抓取实验，以确定合适的指尖抓取阈值，保证所有物品能够被稳定抓握，本次通过预抓取实验确定指尖抓取阈值为138 kPa．当采集触觉数据时，首先控制UR机械臂带动欠驱动手以缓慢的速度抓握样本物体，此时欠驱动手手指会依据物体的形状自适应变形，当指尖触觉达到设定阈值时，完成稳定抓握，并采集此时的触觉数据信息．对于每种实验样本进行30次抓取实验，对于形状复杂的物体采用顶部抓取15次和中部抓取15次的抓取方案，触觉采样周期为100 ms．通过抓取不同的物体，手掌气压式触觉阵列传感器与物体的接触范围和产生的触觉压力值会产生差异，可以作为物体分类识别的判断依据；因此选取手掌的所有触觉压力值作为分类特征，共有360组数据，组建了触觉数据集．2.2.2　数据预处理由于气压式触觉传感器存在一定不稳定性，在气压式触觉信息采集和传输的过程中可能会产生异常值，影响目标物体的识别准确率，因此采用离散卡尔曼滤波方法对触觉原始数据进行滤波处理．结合气压式触觉传感器的量程范围和分辨率大小，通过实验确定传感器滤波参数最优初始值X̂0=100  kPa，R̂0=0.1  kPa．随着滤波步数的增加，滤波初值对模型的影响逐渐减弱直至消失，最后系统趋于无偏稳定状态，具体如图7所示，图中X为触觉数据的采样点数．可以看出：滤波后的触觉数据平滑稳定，能够有效地还原触觉数据的真实值．10.13245/j.hust.210908.F007图7触觉数据滤波比较2.2.3　分类效果为了验证基于气压式触觉传感器的欠驱动手分类方法的有效性，选取朴素贝叶斯(naive Bayesian，NB)和支持向量机(support vector machine，SVM)与随机森林分类方法进行对比，将所有类型物体的触觉数据样本按照4∶1划分为训练集和测试集，并选取离散卡尔曼滤波前后的数据分别进行训练和测试，实验结果如表1所示．从表1可以看出：经过滤波后的分类方法识别准确率有一定的提升，其中支持向量机模型的准确率提升最大．通过学习曲线和网格搜索调参，得出随机森林模型在n_estimators为60、max_features为36时，模型的最大识别准确率可达93.2%，与朴素贝叶斯和支持向量机模型相比有着更好的分类识别效果，能够有效地完成对物体的识别分类．10.13245/j.hust.210908.T001表1分类方法准确率对比分类器滤波前滤波后朴素贝叶斯(NB)81.882.7支持向量集(SVM)83.386.1随机森林(RF)91.493.2%为了更直观地显示随机森林模型对各种实验物体的识别能力，绘制了相应的混淆矩阵，具体如图8所示．可以看出：对纸杯、软糖盒、盒装饮料及橙子的识别准确率可达100%，其他物品由于形状尺寸或材质软硬程度等物理属性相似，导致抓握过程中采集的触觉特征信息相近，造成了一定的识别误差，但模型的总体识别准确率较高．10.13245/j.hust.210908.F008图8混淆矩阵3 结语使用一种气压式触觉传感器采集分类抓取过程中的触觉信息，并通过欠驱动手完成了多种实验样本的数据集组建，结合离散卡尔曼滤波的随机森林方法完成了对物体的识别分类．实验结果表明：气压式触觉传感器能够满足分类性能需求，依靠欠驱动手无需复杂的抓取控制方案就能组建有效的数据集，与其他分类方法对比，结合离散卡尔曼滤波的随机森林分类方法对于生活用品有着更好的分类识别效果．该方法可以应用于机器人实时抓取任务中，为实现机器人精细计划操作和人机交互任务提供了可靠的基础．