鑽石舞台

關鍵詞： convolutional-generative adversarial networks, data-driven methods, intelligence tactile robots, inverse problems, structural predicting

在人類抓握、操作和感知物體時，觸覺扮演着關鍵的角色，是人與環境交互中必不可少的一環。例如，盲文的閱讀就是依靠觸覺去感知紙張上不同組合的凸點，進而提取出凸點所代表的信息。近年來，隨着機器人領域和人工智能的快速發展，機器人的智能觸覺感知逐漸吸引了廣大研究者們的注意。相較於視覺、聽覺等信號，觸覺獲取到的信號是少量的、離散的且扁平化的，導致現有算法很難通過這些少量的觸覺信號反演出複雜的結構參數。因此，為了高精度地預測結構參數，在實際應用中需要使用大量的傳感器獲取足夠的應變信息。另外，隨着使用時間的推移，觸覺傳感器的損壞將造成應變信號進一步丟失，其結構參數反演的準確性將會急劇降低。上述問題極大地限制了機器人在智能觸覺感知領域的推廣和應用。如何從算法層面降低觸覺傳感器的使用數量，提高觸覺傳感器系統的使用壽命是當前觸覺傳感領域面臨的一大挑戰。亟需開發一種能夠在少量觸覺信號的情況下，仍然具有高準確性的結構參數預測智能算法，以打破智能觸覺感知在實際應用中的限制。

本質上，以觸覺信號中的應變信號為輸入、結構的參數為輸出的觸覺感知問題，是一類在有限應變信息()下求解系統結構參數(K)的力學反問題。對於線性系統中的力學反問題，前人通常使用Tikhonov正則化和TV正則化等經典方法重構應變信息xàK的映射。但是對於觸覺感知這類非線性力學反問題而言，使用傳統方法構建該類問題的映射較為困難。近年來，深度學習方法在求解多維數據之間非線性關係映射的問題上取得了巨大成功，為求解該類力學反問題提供了新的思路。然而，人工智能中關於觸覺的研究工作顯然落後於視覺和聽覺等其他感知方法。原因在於兩個方面，一方面由於應變信息受到邊界條件和控制方程的全局約束，且結構參數的分布嚴重影響應變信息的局部空間關係，導致應變信息具有很強的全局-局部約束，而現有的信息補全神經網絡沒有考慮力學信號全局-局部約束的特殊性。另一方面，通常預測的結構中包含大量隨機分布的微觀結構，需要開發出適合其數據特徵的分類算法。常見的神經網絡分類算法在處理該類問題時將結構看作一個整體，使用單標籤分類方法對數據進行預處理。這種方法產生大量的類別數，導致預測結構參數變得極其困難。

針對上述難點，北理工波動力學團隊提出了一種基於卷積-生成對抗網絡（CGAN）的數據驅動方法，可應用於從少量的應變信號中預測系統的結構參數（圖1）。該團隊提出的CGAN模型由一個生成對抗網絡模型(GAN)和一個卷積神經網絡模型(CNN)組成（圖2）。其中，生成對抗網絡模型(GAN)用於應變場的修復映射和信息補全，卷積神經網絡模型(CNN)用於結構參數的高精度預測。為了解決在空間域隨機丟失大量應變信息的情況下，模型預測結構參數準確性降低的難題，團隊從兩個方面開發了相應的關鍵算法。一是在GAN模型中，提出了一種新的損失函數，可以更為準確地描述應變場的全局和局部關係，使得GAN模型補充的應變信息在全局上符合邊界條件和控制方程的約束，在局部空間中能夠刻畫由於結構參數變化導致的應變場的劇烈變化，因此提高了應變信息補全的精度。二是在CNN模型中，結合了多標籤分類算法對結構參數的類別數進行預處理，將類別數從2N減少為N，降低了結構參數的變量空間，提高了結構參數的預測精度。

通過數值方法對GAN模型的應變補全性能進行驗證後發現，在應變丟失率為10%的情況下，平均相對誤差僅為3.6%，誤差值遠低於常規線性插值方法的11.1%（圖3(a)）。通過進一步驗證在不同應變丟失率下CGAN模型預測結構參數的準確率，可以發現，當應變丟失率從0%增加到20%時，不補充應變信息直接預測結構參數的精度從100%急劇下降到60%，而提出的CGAN模型結構預測準確率仍然保持在96%以上。上述結果說明CGAN數據驅動方法能夠在少量應變信息的情況下實現對結構參數的高精度預測。該方法可應用於傳感器易損壞的場景，延長傳感系統的使用壽命，或主動減少傳感器使用數量以節省成本。此外，CGAN模型從輸入一個不完整的應變信息到輸出結構參數僅需要7.86 × 10-4 s。快速響應的特點使CGAN模型在未來的實時結構參數預測中有着巨大的潛力。

為進一步驗證CGAN模型在真實實驗中的有效性，團隊設計了一個包含可重構試件、應變數據採集卡、控制器和CGAN模型的實驗系統。其中，通過安裝或拆卸可調單胞中的螺柱，團隊設計並製備的可重構試件可以快速地在實驗中獲得多種構型在加載下的應變響應（圖5(a)）。實驗結果表明，在應變丟失率為50%的情況下，結構反演的精度可達90%以上（圖5(c)）。該實驗證明了CGAN模型是可行的、穩定的、高精度的，進一步展示了CGAN模型在未來觸覺機器人中的應用潛力。

綜上所述，北京理工大學波動力學團隊提出的CGAN模型，解決了智能觸覺感知系統在應變信息丟失的情況下，如何高精度預測結構參數的力學反問題。CGAN模型包含生成對抗網絡模型(GAN)和卷積神經網絡模型(CNN)，實現了從應變信息的補全到結構參數離散化預測的一體化流程，為數據驅動在力學反問題研究以及在智能觸覺感知中的應用提供了一種新的解決方法。

相關研究成果以題「Convolutional-Generative Adversarial Network: Data-driven mechanical inverse method for intelligent tactile perception」發表在Wiley旗下期刊Advanced Intelligent Systems上。第一作者為北京理工大學宇航學院博士生李宜文、碩士生張靖怡，北京理工大學宇航學院張凱教授為論文通訊作者。該工作得到了國家自然科學基金的支持（No. 11991030 No. 11991031）。