ترجمه فارسی مقاله یادگیری درک ملایم از نمایش کنترل نیروی آزاد از انسان

چکیده

Humans can steadily and gently grasp unfamiliar objects based on tactile perception. Robots still face challenges in achieving similar performance due to the difficulty of learning accurate grasp-force predictions and force control strategies that can be generalized from limited data. In this article, we propose an approach for learning grasping from ideal force control demonstrations, to achieve similar performance of human hands with limited data size. Our approach utilizes objects with known contact characteristics to automatically generate reference force curves without human demonstrations. In addition, we design the dual convolutional neural networks (Dual-CNN) architecture which incorporating a physics-based mechanics module for learning target grasping force predictions from demonstrations. The described method can be effectively applied in vision-based tactile sensors and enables gentle and stable grasping of objects from the ground. The described prediction model and grasping strategy were validated in offline evaluations and online experiments, and the accuracy and generalizability were demonstrated.

چکیده به فارسی (ترجمه ماشینی)

انسانها می توانند به طور پیوسته و به آرامی اشیاء ناآشنا را بر اساس درک لمسی درک کنند.روبات ها به دلیل دشواری در یادگیری دقیق پیش بینی های مهم نیروی و استراتژی های کنترل نیرو که از داده های محدود قابل تعمیم هستند ، در دستیابی به عملکرد مشابه با چالش هایی روبرو هستند.در این مقاله ، ما رویکردی را برای یادگیری درک از تظاهرات کنترل نیروی ایده آل ، برای دستیابی به عملکرد مشابه دست انسان با اندازه داده محدود پیشنهاد می کنیم.رویکرد ما از اشیاء با ویژگی های تماس شناخته شده استفاده می کند تا به طور خودکار منحنی های نیروی مرجع را بدون تظاهرات انسانی تولید کند.علاوه بر این ، ما شبکه های عصبی دوگانه (Dual-CNN) را طراحی می کنیم که شامل یک ماژول مکانیک مبتنی بر فیزیک برای یادگیری پیش بینی های نیروی هدف از تظاهرات است.روش توصیف شده می تواند به طور موثری در سنسورهای لمسی مبتنی بر بینایی اعمال شود و درک ملایم و پایدار اشیاء را از زمین امکان پذیر می کند.مدل پیش بینی توصیف شده و استراتژی درک در ارزیابی های آفلاین و آزمایش های آنلاین تأیید شد و صحت و تعمیم پذیری نشان داده شد.