Resumen Técnico: TaSA – Aprendizaje Predictivo Profundo de Dos Fases para la Atenuación Sensorial Táctil

1. Planteamiento del Problema

La manipulación de objetos en mano por parte de robots, particularmente en tareas que requieren una destreza fina como el pellizco, el uso de herramientas y la inserción de precisión, enfrenta un desafío crítico: distinguir entre las señales táctiles generadas por el autocontacto (dedos tocando otros dedos o la palma) y el contacto externo (dedos tocando un objeto).

Los enfoques robóticos actuales suelen mitigar esta complejidad restringiendo el movimiento para evitar el autocontacto o ignorando por completo la información táctil propia. Sin embargo, en escenarios del mundo real, el autocontacto es inevitable. Cuando un robot no puede diferenciar entre sus propios movimientos y las interacciones externas, corre el riesgo de clasificar erróneamente el autotacto como contacto externo. Esto conduce a agarres inestables, terminaciones erróneas de la tarea y posibles daños al objeto o al propio robot. Mientras que los humanos utilizan la Atenuación Sensorial (SA) —un mecanismo donde el sistema nervioso reduce el peso de las señales sensoriales predecibles generadas por uno mismo para resaltar estímulos externos novedosos—, los robots carecen de un marco predictivo equivalente para filtrar estas señales de manera efectiva.

2. Metodología: El Marco de Trabajo TaSA

Los autores proponen TaSA, un marco de aprendizaje predictivo profundo de dos fases diseñado para replicar la atenuación sensorial en manos robóticas. El objetivo central es modelar y restar explícitamente la dinámica del autotacto, aislando así las interacciones con objetos externos.

Fase 1: Aprendizaje del Autotacto

En esta fase, se entrena una red totalmente conectada (FCN) para predecir la retroalimentación táctil derivada únicamente de los contactos dedo-dedo o dedo-palma, independientemente de objetos externos.

• Entradas: Posiciones actuales de las articulaciones ($q_t$) y posiciones deseadas de las articulaciones del paso de tiempo anterior ($q^{des}_{t-1}$).
• Salidas: Estado táctil predicho ($\hat{s}_t$) para las yemas de los dedos índice y pulgar.
• Datos de entrenamiento: Recopilados durante movimientos en espacio libre y escenarios de autocontacto (por ejemplo, frotar, pellizcar sin objetos) a través de una amplia gama de posturas.
• Objetivo: El modelo aprende a asociar las configuraciones de las articulaciones con los patrones táctiles característicos del autocontacto.

Fase 2: Aprendizaje de Movimiento

Esta fase integra el modelo de autotacto aprendido en la política de control para tareas de manipulación.

• Arquitectura: Una red neuronal recurrente (LSTM) procesa un vector de entrada combinado que contiene:
  1. Posiciones actuales de las articulaciones ($q_t$).
  2. Datos de sensores táctiles brutos ($T_t$).
  3. Señales de autotacto predichas ($\hat{s}_t$) generadas por una copia congelada de la FCN de la Fase 1.
• Mecanismo: La LSTM predice la siguiente configuración de la articulación, la configuración deseada y la retroalimentación táctil bruta resultante. Al alimentar explícitamente el autotacto predicho en la red, el sistema aprende a "atenuar" las señales esperadas generadas por sí mismo. Esto permite que la red se concentre en la señal residual, que representa la interacción con el objeto externo.
• Diferenciación: A diferencia de los métodos base que tratan toda la entrada táctil como externa, TaSA utiliza el autotacto predicho como una referencia para filtrar el ruido interno predecible, mejorando la relación señal-ruido para el contacto con el objeto.

3. Configuración Experimental

El marco fue evaluado utilizando una Mano Allegro (16 DOF) equipada con sensores táctiles triaxiales de alta resolución uSkin en las yemas de los dedos índice y pulgar. Los experimentos utilizaron un sistema de teleoperación líder-seguidor para generar trayectorias de movimiento naturalistas.

Se seleccionaron tres tareas de inserción de precisión para probar la discriminación táctil fina bajo diversas condiciones:

1. Fijación de Clips para Papel: Sujeción de clips pequeños y grandes en papel en diferentes posiciones laterales.
2. Inserción de Monedas: Inserción de monedas de 1, 100 y 500 yenes en una ranura estrecha en diferentes posiciones.
3. Inserción de Minas de Lápiz: Inserción de minas de diámetros variables (0.7 mm a 2.0 mm) en diferentes ángulos en un lápiz mecánico.

La evaluación empleó una división estricta de entrenamiento-prueba, donde se reservaron posiciones, tamaños o ángulos específicos para las pruebas con el fin de sondear las capacidades de generalización.

4. Resultados Clave

El estudio comparó TaSA (Táctil Bruto + Autotacto Predicho) contra un modelo base que utiliza únicamente Táctil Bruto (RT).

• Precisión de la Predicción de Autotacto: El modelo de la Fase 1 logró una alta correlación con las señales de autotacto reales ($r \approx 0.96$ para el pulgar, $r \approx 0.98$ para el índice). El error de predicción se mantuvo cerca de cero durante el autocontacto sostenido, ocurriendo desviaciones principalmente durante transiciones rápidas, aislando efectivamente el componente de autotacto.
• Mejoras en el Desempeño de las Tareas:
  • Fijación de Clips para Papel: Las tasas de éxito aumentaron del 70% (solo RT) al 95% (TaSA). La mejora fue más notable en la colocación "frontal", donde el autocontacto a menudo simulaba un enganche exitoso del clip en el modelo base.
  • Inserción de Monedas: Las tasas de éxito mejoraron del 68% al 92%. TaSA demostró una generalización perfecta (100% de éxito) en la ranura "central" no vista en todas las dimensiones de las monedas, mientras que el modelo base tuvo dificultades con el roce de los bordes.
  • Inserción de Minas de Lápiz: Esta tarea, la más difícil, vio las tasas de éxito subir del 26% al 58%. TaSA mostró una robustez significativa en ángulos tanto entrenados como no entrenados, particularmente para minas más delgadas donde las firmas táctiles son débiles.
• Análisis del Espacio de Características (PCA): Las visualizaciones del espacio de características aprendido revelaron que TaSA redujo la varianza causada por las señales autogeneradas. Esto resultó en una separación más clara entre los diferentes estados de la tarea (por ejemplo, distintos grupos para diferentes tamaños de moneda o ángulos de inserción) en comparación con los grupos superpuestos observados en el modelo base.

5. Significado y Reivindicaciones

El artículo sostiene que la percepción táctil estructurada basada en la atenuación sensorial es crítica para la manipulación robótica diestra.

• Novedad: TaSA se presenta como el primer marco que modela y utiliza explícitamente la dinámica del autotacto para filtrar señales táctiles en la manipulación de múltiples dedos, abordando un vacío donde trabajos previos o ignoraban el autocontacto o no lograban diferenciarlo del contacto con objetos.
• Generalización: Los resultados demuestran que, al aprender a predecir y restar las señales autogeneradas, los robots pueden generalizar mejor a geometrías, posiciones y orientaciones de objetos no vistas.
• Robustez: El marco permite un control estable en entornos ricos en contacto donde el autocontacto es inevitable, evitando que el sistema se vea abrumado por el ruido táctil predecible.
• Dirección Futura: Los autores sugieren que este enfoque es un paso necesario hacia la escala de la manipulación compleja con múltiples dedos, donde las interacciones dedo-dedo y dedo-palma son frecuentes y deben distinguirse de las interacciones con objetos para mantener la estabilidad del agarre y la integridad del objeto.

Los autores mantienen la modestia respecto al alcance, señalando que, si bien el marco muestra potencial para extraer el tacto externo como una entrada separada, se requiere mayor investigación para realizar plenamente su potencial en escenarios más complejos de altos grados de libertad (DOF).