IEEE/RSJ 智能机器人与系统国际会议（IROS）是全球规模最大、影响力最强的机器人研究会议之一。
IROS 成立于 1988 年，每年举办一次，为国际机器人研究界提供了一个探讨智能机器人和智能机器科技前沿的国际论坛。除了技术会议和多媒体报告外，IROS 会议还举办小组讨论、论坛、研讨会、教程、展览和技术参观等活动，以丰富参会人员的成果讨论。IROS 2020 已于 10 月 24 日在美国拉斯维加斯召开。受疫情影响，IROS 2020 全部改为线上的方式。此外，IROS 2020 还是全部免费的，注册后可以在线参加全部技术讲座、主题演讲、研讨会和竞赛，同时可以阅读 IROS 2020 的全部论文集。
本文重点对 IROS 2020 中 Industry 4.0 Session 的部分文章进行解读。相较于重点关注新材料的应用、末端触觉反馈中新传感器的应用、关节驱动器中新技术应用等技术专题，Industry 4.0 主要聚焦于机器人在工业领域中不同实用场景中的最新应用进展。
（1）用于自动化的计算机视觉（Computer Vision for Automation）：重点讨论计算机视觉在自动化中的作用。其中包括指导三维模型的数据采集、抓取物体、装配物体、折叠可变形物体、测量表面粗糙度、对操纵动作进行分类以及使用新型传感技术提高性能等方面的工作。
（2）制造业和物流业（Manufacturing and Logistics）：主要介绍在自动化制造和物流场景中提高精度、效率和安全性的新方法，具体包括在控制、机电一体化、感知和规划等方面的改进和创新。
（3）机器人计算（Robot Computation - Hardware, Software, Datasets）：该部分有 4 篇主题各异的论文。其中一篇论文介绍了使用现代传感器的大规模 SLAM 数据集和详细的真值图像。其他三篇论文则重点讨论常见算法的并行化处理，目的是实现算法加速。其中，最后一篇论文介绍了一种新型的硬件架构，目的是减少多进程、多核系统的计算量，并在自动驾驶应用中使用激光雷达定位进行了演示。
（4）效果评估和基准制定（Performance Evaluation and Benchmarking）：重点讨论在不同的工业场景中机器人系统或装置应用的效果评估，具体包括人机交互应用场景、自动驾驶应用场景、微型飞行器定位场景、多智能体场景等。
（5）信任和可解释性（Trust and Explainability）：介绍了评估人与机器人信任度和生成机器人解释的新方法和实验技术。这部分文章详细介绍了证明各种因素如何影响在线和物理环境中人与机器人互动的实验。
（6）模拟到真实（Sim-to-Real）：介绍了 Sim-to-Real 迁移的新发展。具体包括：为接触传感构建更好的模拟器，用学习到的组件增强模拟器，使 Sim-to-Real 领域适应性更强，以及提出对 Sim-to-Real 迁移的形式化理解，同时还包括测量 Sim-to-Real 相关性的讨论。
（8）机器人安全（Robot Safety）：涵盖了与机器人安全相关的各种主题，包括在未检测到的故障情况下的定位、不确定环境下的路径规划、多车系统和控制等。
上述文章有国内外研究机构、大型企业研发中心关于机器人在工业场景中应用的介绍，也包括了一些研究机构、学校关于基础数据库构建的分析和讨论。目前，机器人已经在众多工业场景中应用，其有效性和良好的应用前景吸引了越来越多的研究人员和机构的关注。我们从中选择了三篇应用不同技术、解决不同工业场景问题的文章进行详细解读。
我们研究和制造机器人，其中一个重要的目的是让机器人去替人类完成单调、肮脏和危险的工作，高分辨率软触摸传感器就是影响这一类机器人制造水平的关键因素之一。在航空航天工业、汽车工业和木工技术中，打磨（Sanding）是影响制造技术和维护水平的关键。其中一些组件可能需要在成型后、涂漆前或抛光时进行打磨处理。
对于人类来说，打磨是一项存在危险的任务。打磨过程中会产生有害于呼吸的颗粒物，工具产生的振动也可能会导致关节和神经损伤。此外，完成这项工作的位置和姿态容易使人在工作过程中摔倒。而机器人自动化打磨的开发难点在于，由于缺乏对表面粗糙度的反馈，仅仅通过视觉观察表面，很难控制打磨物体的哪个部分，特别是在零件副本可能有变化、进行维修或在小批量生产环境中时这种问题就更加严重了。人类在对表面粗糙度进行判断时，是使用他们高度发达的触觉系统帮助他们找到组件中需要进一步处理的区域的，显然，机器人还不具备这种能力。
目前，在制造业的实际处理场景中，一般使用固定的基础设备设施或现场检查来获取表面粗糙度反馈。然而对于一些产品来说，固定传感器的应用存在很多问题。例如，飞机部件太大，无法安装在固定式激光轮廓仪阵列中。再比如，改进椅子的制作过程需要将固定传感器部署进入狭小的空间。对于自动打磨的所有这些应用，对空间映射表面粗糙度的感知能力是关键，这种能力需要保证轻量级、快速，并与定位数据集成，才能成功应用于感知控制反馈回路。
为了解决自适应打磨系统的感知问题，本文提出了一个由 Gelsight 感知输入、用于学习表面粗糙度表示的卷积神经网络（CNN）和用于触摸表面的柔性机器人执行器组成的感知系统。作者开发和训练了两个贝叶斯 CNN 模型，用于基于 Gelsight 图像的打磨木材表面粗糙度分类和比较。此外，还提出了一种新的不确定知预测算法，利用贝叶斯不确定性估计进行推理。完整的系统结构如图 1。
GelSight Mobile 是「便携式无损弹性 3D 成像系统」，可精确观察和测量任何表面的 3D 微观结构。它采用 MIT 发明的接触式弹性传感器技术，可用于任何坚硬的表面检测，包括反光的金属或玻璃。GelSight 提供精细和快速的表面测量方案，适用于航空航天、汽车等行业的产品表面 3D 检测。
自适应机器人打磨系统大致由两部分组成：（1）执行打磨处理的机器人打磨机（a robotic sander）；（2）对板上区域的粗糙度进行分类的感知系统。感知系统的主要作用是感知到板子的存在，并向机器人打磨机提供反馈，以通知应该在哪个位置继续打磨，以及继续打磨的程度。整个过程闭环处理，以实现自适应打磨。在这篇论文中，作者专注于第二部分：使用机器学习演算方法完成感知系统的设计，其中的机器学习演算方法是直接从软触觉传感器的输入中训练得到的。
绝对分类（Absolute classification）。给定一个单一的 Gelsight 扫描作为输入，训练网络在静止砂砾层上输出一个离散的概率分布。考虑三个均匀分布的砂砾层：60、120、180（图 2A）。
相对分类（Relative classification）。以两次 Gelsight 扫描为输入，训练网络输出砂砾层的相对差异值。同样，考虑一个离散的输出空间，其中一次扫描中的砂砾可以等于、小于或大于另一个扫描中的砂砾。
作者将解决感知问题的机器学习算法定义如下：通过 Gelsight 获得观测值 X 及对应的表面粗糙程度标签 y，目的是学习映射函数 f，满足如下针对目标函数 L 的优化约束：
本文使用从松木板中采集的 Gelsight 扫描结果作为实验数据库。使用不同等级的砂纸砂砾（60、120 或 180 砂砾）将每块板分别打磨至三种砂砾级别中的一种。用于训练的数据是通过人工操作 Gelsight 扫描得到的，而用于测试的数据则是使用软机器人控制系统得到的。系统由一个运动跟踪的 Gelsight 传感器组成，该传感器连接在通用机器人（Universal Robotics，UR）5 机械臂的软机器人末端执行器上。利用带有伺服控制的手动剪切辅助装置（Handed Shearing Auxetics，HSAs）作为软机器人末端执行器，当触觉传感器接触到表面时，它可以保证额外的柔顺性。为了满足训练的要求，对收集到的扫描数据进行了增强处理，如图 2B 所示。
贝叶斯深度神经网络将概率分布置于网络中的每个权重上，因而使网络具有随机性，能够捕捉不确定性。利用后验概率 q(W)的一个 Dropout 近似，得到预测分布如下：
由于 Gelsight 纹理扫描的结果存储为 2D RGB 图像，本文模型利用卷积层来学习 2D 视觉特征。针对绝对和相对纹理分类任务的两种模型的基本框架可以大致分为两部分：卷积特征提取器和学习预测器。特征提取器将单个 Gelsight 扫描作为输入，并返回该扫描的学习特征向量表示，而预测器则将特征向量作为输入，并使用最终的 softmax 激活层输出离散概率分布：
在绝对纹理分类任务（图 3B）中，端到端模型将从单个扫描输入中学习到的特征输入到预测器模块中，预测器模块被训练来预测纹理的绝对粒度（60、120、180）。在相对纹理分类中，使用一个双输入头从两个扫描中同时学习特征，然后在输入预测模块之前将学习到的特征组合成一个单一的特征向量。由于最终目的是在两个特征提取器之间强制实现所学特征的一致性，所以作者在这两个头之间显式共享训练和测试期间的权重。
图 3. 模型结构。（A） 特征提取和预测模块，用于绝对（B）和相对（C）纹理分类的端到端处理过程
通过上述处理步骤，可以将不确定性估计与预测相融合，从而实现不确定知推理。这在软机器人领域中是极其重要的。在实际部署过程中，由于软机器人的传感器未完全按下，或者传感器的一部分离开目标兴趣区域等原因，不确定知推理系统的扫描结果会遇到较为严重的噪声问题。为了解决这一问题，作者引入一种在潜在噪声触觉扫描中获得可靠预测的算法，该算法基于每个子部分的不确定性将扫描子部分的预测组合起来。
给定一次扫描 X，通过在扫描上滑动一个 64x64 的滑动窗口将 X 分成 S 个子块，作者建议 S=25。可以手动定义一个不确定性阈值，丢弃掉低于该阈值的子块预测值。然而，在一个数据库上确定有效的阈值在数据库上可能无效。因此，作者提出了一种灵活的方法来满足所有子块的预测需求，同时考虑到它们的相关不确定性。将最终预测结果 Y^ 表示为所有子块预测结果的加权平均：
由上式，低不确定性（高精度）的预测在最终预测中的权重大，而高不确定性子块的权重较小。Algorithm 1 给出该算法在绝对纹理分类任务中的伪代码。对于相对分类任务，采用了一种类似的算法，其中一个头的输入按 Algorithm 1 方式进行处理，而第二个输入则保持不变，并将其视为基线扫描结果。
最后，作者将模型与使用 OptiTrack 定位传感器的高精度运动跟踪进行集成。因此，不确定知预测系统可以用来分类物体表面纹理，定位设置能够根据末端执行器的姿态在坐标空间中映射这些预测。Gelsight 传感器连接在 UR5 机械臂上的一个柔软的机器人末端执行器上。传感系统与定位信息的完全集成允许传感预测直接通知机器人打磨系统需要注意的位置。这种集成使得传感系统可以直接放置在一个更大的感知规划控制回路中，用于自动机械打磨任务。
为了与本文所提出的自动化系统进行比较，作者评估了人类在两个期望任务（绝对和相对纹理分类）上的表现。在评估人类完成任务的表现时，使用（1）Gelsight 扫描的图像（与系统中相同），（2）人类触觉。对于每一个测试，参与者都会接受一个简短的培训，直到他们有信心完成任务为止。测试阶段包括为每个任务随机选择 20 个测试样本。在所有测试完成之。
备案号：粤ICP备19039425号 m6米乐平台注册-米乐m6官网登录入口-m6米乐手机网页版登录欢迎来电咨询！
