Soft-Grasping With an Anthropomorphic Robotic Hand Using Spiking Neurons

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！

IEEE ROBOTICS AND AUTOMATION LETTERS, no. 2 (2021): 2894-2901

 

Abstract

　　进化赋予了人类先进的抓取能力，将自适应手与有效控制相结合。如果物体移动或变形，可以快速调整抓取动作。用拟人化的手软抓握是机器人与为人类塑造的物体交互的强大能力。然而，大多数机器人应用程序使用真空、2指或定制的抓手。我们提出了一种受生物启发的脉冲神经网络(SNN)，用于软抓取来控制机器人手。两个控制回路组合在一起，一个来自电机原语，一个来自由反射激活的顺应控制器。手指基元代表关节之间的协同作用，而手基元代表不同的可供性。使用基于脊髓中神经元间回路的机制检测接触以触发反射。Schunk SVH 5指手用于抓取不同形状、硬度和大小的物体。SNN在不知道对象的确切属性的情况下适应了抓取动作。具有在线学习功能的兼容控制器被证明是敏感的，甚至可以抓住气球。与深度学习方法相比，我们的SNN需要每个抓取动作的一个示例来训练基元。不需要计算逆运动学或复杂的接触点规划。这种方法简化了控制，并可用于提供与人手相似的自适应特征的不同机器人。完全使用SNN和机械手实现的生物系统的物理模拟可以为抓取机制提供新的见解。

 

Index Terms—Learning systems, robot learning, neural networks, biological neural networks, learning (artificial intelligence), force feedback, grasping, robot programming, robot control, robot motion, cognitive robotics, humanoid robots, manipulators, robot learning, robot sensing systems, service robots.

 

I. INTRODUCTION

 

II. APPROACH

 

A. Finger Primitives and Robot Kinematics

 

B. Hand Primitives and Hierarchy

 

C. Affordance Activation Mechanisms

 

D. Reflexes and Contact Detection

 

E. Compliant Controller and Adaptation

 

III. RESULTS

 

A. Motor Primitives Activation and Affordance Evaluation

 

B. Compliant Controller Evaluation

 

C. Adaptive Control With Online Learning Evaluation

 

D. SNN Implementation and Parameters

 

IV. DISCUSSION