基于双通道特征增强架构的机器人高精度视觉压力感知方法

为解决机器人抓取中接触压力精确感知的难题，研究人员提出新型高精度视觉压力估计方法HiVPE，通过空间特征调制模块(SFM)和视觉压力状态空间模块(VP-Mamba)的双通道架构，在肌腱驱动和软体夹爪上分别实现96.22%和95.48%的时序精度，为复杂场景下的非接触式压力感知提供了工程解决方案。

　　

在机器人执行精密操作任务时，接触压力的精确感知直接关系到抓取成功率和对象完整性。传统基于MEMS（微机电系统）的触觉传感器虽能提供直接测量，却受限于曲面贴合性、材料顺应性和机械磨损等问题。尤其当处理微小按钮按压或易碎物品抓取时，夹爪微小形变导致的压力分布变化可能引发操作失败，这促使研究者寻求非接触式的视觉解决方案。

上海某研究机构团队在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地将高分辨率视觉与人工智能技术结合，开发出HiVPE（高精度视觉压力估计）系统。该系统采用眼在手（eye-in-hand）相机配置，通过双通道特征增强架构（DCFE）同步提取局部形变特征和全局压力分布：空间特征调制模块（SFM）通过多尺度卷积捕捉夹爪特异性细节，而基于状态空间模型的VP-Mamba模块则利用长程依赖建模能力解析整体压力拓扑结构。这种互补式设计有效克服了姿态变化、遮挡和光照干扰等现实挑战。

关键技术包括：1）使用公开数据集涵盖接触、滑动和闭合三类动作；2）采用Adam优化器进行30万次迭代训练，结合翻转、旋转等数据增强策略；3）在NVIDIA 4090显卡上实现跨场景验证，包括纹理表面和遮挡环境测试。

研究结果显示：

1. 精度突破：在肌腱驱动夹爪上达到96.22%的时序精度，软体夹爪达95.48%，较基线方法平均绝对误差降低5.6%-19.5%。
2. 鲁棒性验证：在包含纹理干扰和动态遮挡的跨数据集测试中，体积IoU（交并比）保持稳定，证实模型对复杂接触场景的适应能力。
3. 工程适用性：通过消除物理传感器集成需求，系统可直接部署于现有机器人平台，在保持夹爪原始机械特性的同时实现压力可视化。

讨论部分强调，该研究首次将状态空间模型（SSM）引入触觉感知领域，VP-Mamba模块对长序列压力信号的建模能力为动态操作提供了时序一致性保障。实际意义体现在三方面：1）为精密装配等需要微力控制的场景提供可靠感知方案；2）通过开源数据集促进跨机构研究比较；3）模块化设计可扩展至其他柔性体形变分析任务。

作者Wensheng Wang团队指出，未来工作将聚焦于多模态传感融合和跨材质泛化能力提升。该成果获得国家自然科学基金（82472116）等项目的支持，为智能机器人触觉感知开辟了新的技术路径。