仪器仪表学报

作者：陈大鹏，朱栋梁，刘 佳，宋爱国，陈 庚

单位：陈大鹏,1. 南京信息工程大学自动化学院，2. 江苏省智能气象探测机器人工程研究中心，3. 江苏省大气环境与装备技术协同创新中心,,朱栋梁,1. 南京信息工程大学自动化学院，2. 江苏省智能气象探测机器人工程研究中心,,刘 佳,1. 南京信息工程大学自动化学院，2. 江苏省智能气象探测机器人工程研究中心，3. 江苏省大气环境与装备技术协同创新中心,,宋爱国,2. 江苏省智能气象探测机器人工程研究中心，4. 东南大学仪器科学与工程学院,,陈 庚,1. 南京信息工程大学自动化学院，2. 江苏省智能气象探测机器人工程研究中心,

关键词：触觉纹理分类;深度学习;振动加速度数据

基金：国家自然科学基金( 62003169,61773219)、江苏省自然科学基金青年基金( BK20200823)、江苏省高等学校自然科学研究项目(20KJB520029)、江苏省研究生科研与实践创新计划项目(SJCX22_0348)资助

当手持刚性工具在材料表面滑动时,用户可以通过工具的振动来感受材料表面的纹理特征。这些振动加速度数据包含了丰富的纹理类别信息,为纹理的分类提供了基础。利用触觉进行纹理分类对于力触觉人机交互、机器人精细化操作等应用具有重要的意义。目前,手工设计与纹理相关的特征以及借助卷积神经网络进行简单的特征提取等方法已经被应用于触觉纹理分类。然而,这些方法未能关注时间尺度的选择和触觉序列数据间的时间依赖性,还存在触觉数据特征提取不充分和分类精度不佳等问题。为了解决上述问题,本文提出一种由多尺度卷积网络和双向长短时记忆网络相结合的融合模型,以便同时捕获触觉信号多尺度的几何局部空间特征和时间依赖特征。所提出的模型从公开的触觉数据集中学习材料表面纹理的触觉特征,并在公开的纹理振动加速度数据库上进行训练。实验结果表明,本文提出的模型可以稳健且高效地实现最高92.1%的纹理分类精度。

来源：2023年第5期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2023年第5期