当前位置：首页 > news >正文

《基于电阻抗断层成像的实时软触觉传感器中的深度神经网络方法》IROS2019论文解读

news 2025/10/7 7:58:33

一、研究背景：EIT 触觉传感器的 “两难困境”

1. 机器人全身触觉的核心需求

2. EIT 技术的 “潜力”：解决布线难题

3. EIT 技术的 “困境”：精度与速度的矛盾

4. 新思路：用深度学习破局

二、核心方案：DNN 如何 “重构” EIT 触觉感知？

1. 第一步：造一个 “模拟数据集”—— 解决 “数据少” 问题

2. 第二步：设计 “高效 DNN 结构”—— 解决 “速度慢” 问题

3. 第三步：给数据 “加噪声”—— 解决 “抗噪声差” 问题

三、传感器原型：用导电织物做 “可量产的柔性皮肤”

1. 传感器结构与制作

2. 硬件电路：实现 “快速电流注入与电压测量”

四、实验验证：DNN 真的比传统方法好吗？

1. 实验 1：重建精度 ——DNN 远超线性模型

2. 实验 2：计算速度 ——DNN 实现 “实时响应”

3. 实验 3：抗噪声能力 ——DNN 更稳定

4. 实验 4：真实传感器演示 —— 能定位还能测力度

五、结论与未来方向

1. 核心结论

2. 未来改进方向

一、研究背景：EIT 触觉传感器的 “两难困境”

1. 机器人全身触觉的核心需求

在家庭、医疗等非结构化环境中，机器人需要 “全身触觉” 来实现安全的人机交互（比如避免碰撞伤人、精准抓取）。但全身触觉面临两大关键要求：

大面积可制造性：传感器要覆盖机器人全身曲面，不能依赖复杂工艺；
高耐用性：传感器需反复承受触碰、挤压，结构要稳定。

2. EIT 技术的 “潜力”：解决布线难题

为满足上述需求，研究者引入医疗成像中的电阻抗断层成像（EIT）技术：仅在传感区域边界布置少量电极（本文用 16 个），通过 “注入电流→测量电压→反推内部导电率分布” 的流程，感知触碰位置（类似 “用电流分布‘画’出触碰点”），如图 1 (a) 所示。EIT 的核心优势是少电极、低成本—— 无需给每个传感单元单独布线，完美适配机器人全身大面积传感，且耐用性高。

3. EIT 技术的 “困境”：精度与速度的矛盾

传统 EIT 采用 “线性化模型” 处理数据（基于麦克斯韦方程推导，用雅可比矩阵映射电压变化与导电率变化），但存在致命问题：

精度低：线性化模型忽略了电流与电压间的非线性关系，重建的触碰位置模糊（比如把 “小范围触碰” 识别成 “大范围按压”）；
非线性方法的缺陷：虽有非线性迭代模型（如 PDIPM）能提升精度，但计算时间长达 0.248 秒（是 DNN 的 124 倍），无法满足实时触觉需求（比如机器人需要快速响应碰撞）；
抗噪声差：实际使用中电压测量会受干扰（如电路噪声），传统模型对噪声敏感，易出现误判。

4. 新思路：用深度学习破局

前人尝试用人工神经网络（ANN）优化 EIT，但多采用简单网络结构（如径向基函数网络），计算效率低，难以落地。本文提出用深度神经网络（DNN） 构建非线性 EIT 模型，同时解决 “精度低、速度慢、抗噪声差” 三大问题。

二、核心方案：DNN 如何 “重构” EIT 触觉感知？

本文的核心逻辑是：用 DNN “学习” 电压与导电率的非线性关系，替代传统复杂的数学推导，实现 “输入电压→输出导电率分布” 的快速精准映射，具体分为三步：

1. 第一步：造一个 “模拟数据集”—— 解决 “数据少” 问题

真实传感器难以采集海量训练数据（需反复按压不同位置、不同力度，耗时耗力），因此作者用有限元仿真生成数据集，流程如下：

仿真模型搭建：按真实传感器参数（14cm×14cm 导电织物、16 个边界电极、基础导电率 64.52μS/m）构建仿真环境，将传感区域分成 256 个精细网格；
生成三类导电率分布：为让 DNN 学会识别各种触碰场景，设计三种典型 “触碰模式”，每种模式对应不同的导电率变化（触碰会让局部导电率升高）：
- 单点模式：单个网格导电率变化（模拟 “指尖轻触”）；
- 方形模式：多个网格组成方形导电率变化（模拟 “平面按压”）；
- 随机模式：随机选择网格导电率变化（模拟 “不规则触碰”）；
扩充数据集：每种模式下调整导电率变化幅度（对应不同触碰力度），最终生成 76,776 组数据（每组含 “208 个电压值 + 对应的导电率分布”），确保 DNN 充分学习。

2. 第二步：设计 “高效 DNN 结构”—— 解决 “速度慢” 问题

为平衡精度与速度，作者设计了轻量型 DNN，结构如图所示：

输入输出：输入为 208 个电压测量值（16 个电极按 “相邻模式” 注入电流，产生 208 组电压）；输出为 16×16 的导电率分布（对应 14cm×14cm 传感器的触碰位置）；
网络层数：3 层全连接隐藏层，每层神经元数量为 (2n)²（n=16，即 1024 个神经元），既保证学习能力，又避免过度复杂；
关键优化：
- 激活函数：用 ReLU（整流线性单元）替代传统 Sigmoid，计算速度提升 50%，还能避免 “梯度消失”（深层网络训练的常见问题）；
- 初始化与归一化：用 He 初始化（适配 ReLU）确保训练稳定，每层后加批量归一化（加速收敛，减少过拟合）；
- 损失函数：用均方误差（MSE）衡量 “预测导电率” 与 “真实导电率” 的差距，适合图像类回归任务。

3. 第三步：给数据 “加噪声”—— 解决 “抗噪声差” 问题

为让 DNN 在实际使用中不受干扰，训练时主动加入高斯噪声（模拟真实电路噪声）：

先测量真实传感器的噪声水平（最大标准差 0.000472V）；
每次训练时，随机给输入电压添加该水平的高斯噪声，让 DNN 学会 “忽略噪声、聚焦有效信号”。

三、传感器原型：用导电织物做 “可量产的柔性皮肤”

为验证 DNN 方案的实用性，作者制作了低成本、易量产的柔性触觉传感器，细节如下：

1. 传感器结构与制作

传感器仅需 4 步制作，工艺简单，适合大面积量产：

步骤	操作	目的
1	裁剪导电织物	选用 piezoresistive 织物（压力越大，电阻越小，导电率越高），切成 14cm×14cm 方形
2	缝制导电线程	在织物边界缝制 16 根导电线程（作为电极），间距均匀
3	涂银浆	在电极与织物的连接处涂银浆	降低接触电阻，确保电流稳定传输
4	覆盖硅橡胶	在织物表面涂硅橡胶	绝缘（防止短路）+ 恢复形变（按压后能回弹）

2. 硬件电路：实现 “快速电流注入与电压测量”

为配合 DNN 的实时性，设计了高速硬件系统：

电流注入：用恒流源（Keysight B2901A）按 “相邻模式” 给电极对注入电流（即每次给相邻两个电极通电，其他电极测电压）；
电压测量：用 FPGA 控制器（National Instruments compactRIO）快速切换电极对，实现 50kHz 的电压采样频率（每秒测 50000 次）；
数据传输：测量的电压数据实时传给计算机，由预训练好的 DNN 模型计算导电率分布，最终输出触碰位置与力度。

四、实验验证：DNN 真的比传统方法好吗？

作者从 “精度、速度、抗噪声、实用性” 四个维度做实验，对比 DNN 与传统模型（线性化模型、非线性迭代模型 PDIPM），结果如下：

1. 实验 1：重建精度 ——DNN 远超线性模型

测试场景：用两种未训练过的导电率分布（简单方形、90 度弯曲复杂形状），对比三种模型的重建效果：

线性模型：重建结果模糊，无法准确还原形状（比如把 “弯曲形状” 变成 “不规则 blob”）；
PDIPM 模型：精度最高，但计算慢；
DNN 模型：精度接近 PDIPM，能清晰还原方形与弯曲形状，且无明显模糊（图 5 (a)(c)）；
定量指标（均方误差 MSE）：DNN 的 MSE 是线性模型的 1/3，仅比 PDIPM 高 10% 左右。

2. 实验 2：计算速度 ——DNN 实现 “实时响应”

在相同硬件（MATLAB 环境）下测试计算时间：

模型	计算时间	优势
线性化模型	0.001 秒	快，但精度低
DNN 模型	0.002 秒	仅比线性模型慢 0.001 秒，精度大幅提升
PDIPM 模型	0.248 秒	精度高，但速度慢，无法实时
RBFNN（传统 ANN）	0.01 秒	比 DNN 慢 5 倍