Open Source Robotics

精选高质量开源机器人项目、工具和软件,推动机器人社区发展。

Taxel

  • 又称: tactile pixel, tactile element
  • 类别: Sensing › Contact & force
  • 标签: tactile-sensing, sensor-arrays, touch, manipulation, robot-skin

触觉传感器阵列中的单个感测元件,相当于触觉中的像素;它的大小和间距决定了阵列的空间分辨率。

定义

触觉单元(taxel)一词是 tactile element(触觉元件)或 tactile pixel(触觉像素)的缩写,指触觉传感器阵列中的一个感测点。每个触觉单元报告其在传感器表面所在位置的一个局部物理量:最常见的是法向压力,在某些设计中则是三轴力、剪切力、振动或接近度。触觉单元可以采用任何换能原理,包括电容式、压阻式、压电式、磁式和光学式感测,它们在指尖和手掌上排成网格,或者更稀疏地分布在机器人皮肤上。

触觉单元的数量、大小和间距(pitch)决定了一个阵列能分辨什么。细间距使定位边缘和估计接触形状成为可能,而粗的阵列主要报告接触发生在哪里以及有多用力。覆盖在大多数阵列上的弹性体层会把每次接触扩散到几个相邻的触觉单元上,这会使图像变得模糊,但也使接触位置能够以比间距更精细的分辨率进行插值。触觉单元很少是相互独立的:在无源电阻矩阵中,电流会通过相邻单元泄漏,从而造成串扰;而且每个单元都有各自的增益、偏置、迟滞和漂移,因此阵列需要逐单元标定。

快速读取大量触觉单元本身就是一个工程问题。大型阵列使用行列复用、本地模数转换器和串行总线来使布线保持在可管理的范围内,在扫描速率和单元数量之间进行取舍。在学习中,当布局是规则网格时,触觉单元读数通常被当作低分辨率图像处理;或者像一些近期工作那样,被当作一组在手上具有已知 3D 位置的点,这使一个模型能够处理布局不同的传感器。在基于相机的触觉传感器中并没有离散的触觉单元;这个术语有时被宽泛地用来指像素或被跟踪的标记点。

为何重要

触觉单元数量、间距和读出速率是选择或设计触觉传感器时首先要核对的数字,它们决定了操作算法实际上能感知到什么。把触觉单元看作需要标定、可能相互耦合的测量值,而不是干净的力读数,可以避免许多集成问题。

主要应用

  • 机器人指尖上的接触定位和滑移检测
  • 用于碰撞检测和与人安全接触的大面积机器人皮肤
  • 记录人类抓握压力的触觉手套
  • 为学习得到的灵巧操作策略提供触觉输入
  • 假手和医疗设备的压力分布测量

实际应用

一个团队为一只机器人手装上指尖阵列,每个阵列有几十个电容式触觉单元。每根手指上的微控制器扫描阵列,减去在无接触时采集的基线,并通过串行总线发送数据帧。标定时,用探针在已知位置按压已知大小的力,同时记录每个触觉单元的响应,从而得到每个单元的增益和偏置。抓取控制器随后用标定后的压力对触觉单元位置加权,计算接触质心,并把质心向指尖边缘移动视为滑移的迹象加以监视。为了学习,团队把每一帧与手坐标系中每个触觉单元的 3D 位置一起存储,这样来自不同布局手指的数据就可以在一个模型中合并使用。

常见误解

  • 一个触觉单元就是一个完整的触觉传感器 — 它是阵列中的一个元件;一个传感器通常包含许多个
  • 每个触觉单元直接测量力 — 它测量的是电容或电阻等经过换能的量,必须经过标定(通常是非线性的)才能估计压力或力
  • 触觉单元越多,感测总是越好 — 布线、扫描速率、串扰以及覆盖层的模糊效应限制了更密集阵列所能带来的帮助
  • 触觉单元的读数是相互独立的 — 相邻单元通过皮肤在机械上耦合,在无源矩阵中还通过读出电路在电气上耦合

谁需要了解

  • 触觉传感器设计者和电子工程师
  • 灵巧操作研究人员
  • 机器人手和夹爪开发者
  • 构建机器人皮肤和安全感测的工程师

相关技术

  • 电容式触觉阵列(Capacitive Tactile Arrays)
  • 行列复用(Row-Column Multiplexing)
  • 机器人皮肤(Robot Skin)
  • 触觉手套(Tactile Gloves)
  • 点云编码器(Point Cloud Encoders)

相关术语

  • Tactile Sensor
  • Piezoresistive Tactile Sensor
  • Camera-Based Tactile Sensor
  • Force-Sensitive Resistor
  • Dexterous Manipulation

相关项目

  • LeRobot: HuggingFace ML library for real-world robotics in PyTorch
  • Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
  • NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
  • OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
  • Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
  • OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments

本网站需要 JavaScript 才能正常运行。请启用 JavaScript 以浏览我们的开源机器人项目。