2016 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2016
DOI: 10.1109/iros.2016.7758088
|View full text |Cite
|
Sign up to set email alerts
|

Robust material classification with a tactile skin using deep learning

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
2
1
1
1

Citation Types

0
53
0
2

Year Published

2017
2017
2020
2020

Publication Types

Select...
5
2
1
1

Relationship

1
8

Authors

Journals

citations
Cited by 107 publications
(55 citation statements)
references
References 20 publications
0
53
0
2
Order By: Relevance
“…Es decir, la secuencia temporal es una colección de datos táctiles obtenidos durante el cierre de la mano o pinza hasta envolver la superficie del objeto, registrando los valores de presión generados por el contacto hasta alcanzar un agarre considerado como estable (un agarre capaz de sujetar el objeto sin que este se deslice). Por lo general, las secuencias de datos táctiles de este tipo se emplean para el reconocimiento del objeto en base a características de rigidez y flexibilidad del material con el que está fabricado, como hicieron Baishya and Bäuml (2016), o para controlar la deformación, como demuestran Delgado et al (2017). No obstante, durante la acción de cierre de la mano y aun cuando la mano no cambie su configuración, es posible que el objeto cambie su posición dentro de la mano.…”
Section: Percepción Táctilunclassified
“…Es decir, la secuencia temporal es una colección de datos táctiles obtenidos durante el cierre de la mano o pinza hasta envolver la superficie del objeto, registrando los valores de presión generados por el contacto hasta alcanzar un agarre considerado como estable (un agarre capaz de sujetar el objeto sin que este se deslice). Por lo general, las secuencias de datos táctiles de este tipo se emplean para el reconocimiento del objeto en base a características de rigidez y flexibilidad del material con el que está fabricado, como hicieron Baishya and Bäuml (2016), o para controlar la deformación, como demuestran Delgado et al (2017). No obstante, durante la acción de cierre de la mano y aun cuando la mano no cambie su configuración, es posible que el objeto cambie su posición dentro de la mano.…”
Section: Percepción Táctilunclassified
“…Soon afterwards, deep learning methods also found their way to applications where tactile sensing is involved [21]- [24]. Many of these studies, however, deal with the classification problem in order to e.g., recognize objects inside a robotic hand [21], recognize materials [22], [23] and properties [24] from touch and image. Yuan et al [25] estimated object hardness as a continuous value using tactile sensor through supervised learning.…”
Section: B Recognition Through Tactile Sensingmentioning
confidence: 99%
“…However, the most important difference is that we do not use manually designed feature descriptors but use a deep learning based end-to-end learning scheme with automatic feature extraction directly from the 16000 dimensional raw input signal. End-to-end learning is important not only because it makes the time-consuming feature design by an expert obsolete but because the automatic feature extraction gives better performance for the flexible skin sensor as was shown in [2] (different feature descriptors and classification methods including SVMs have been compared to deep learning).…”
Section: A Related Workmentioning
confidence: 99%
“…As the physical interactions between the sensor and surface while sliding over it are involved, usually learning has to be used to interpret the tactile data. Deep learning has shown very robust [2] and even superhuman performance [1] in tactile material classification. But learning typically needs a large number of training samples and in robotics, sample acquisition is costly, even more so for active sensing tasks like tactile sensing.…”
Section: Introductionmentioning
confidence: 99%