Résumé technique : TaSA – Apprentissage prédictif profond en deux phases de l'atténuation sensorielle tactile

1. Énoncé du problème

La manipulation d'objets par des mains robotiques, en particulier les tâches exigeant une grande dextérité comme le pincement, l'utilisation d'outils et l'insertion de précision, est confrontée à un défi critique : distinguer les signaux tactiles générés par l'auto-contact (les doigts touchant d'autres doigts ou la paume) des contacts externes (les doigts touchant un objet).

Les approches robotiques actuelles atténuent souvent cette complexité en limitant le mouvement pour éviter l'auto-contact ou en ignorant entièrement l'information tactile de soi-même. Cependant, dans des scénarios réels, l'auto-contact est inévitable. Lorsqu'un robot ne peut pas différencier ses propres mouvements des interactions externes, il risque de classer par erreur un auto-toucher comme un contact externe. Cela conduit à des saisies instables, des terminaisons de tâches erronées et des dommages potentiels à l'objet ou au robot. Alors que les humains utilisent l'Atténuation Sensorielle (AS) — un mécanisme où le système nerveux réduit le poids des signaux sensoriels prévisibles auto-générés pour mettre en évidence les stimuli externes nouveaux — les robots manquent d'un cadre prédictif équivalent pour filtrer efficacement ces signaux.

2. Méthodologie : Le cadre TaSA

Les auteurs proposent TaSA, un cadre d'apprentissage prédictif profond en deux phases conçu pour reproduire l'atténuation sensorielle dans les mains robotiques. L'objectif central est de modéliser et de soustraire explicitement la dynamique de l'auto-toucher, afin d'isoler les interactions avec l'objet externe.

Phase 1 : Apprentissage de l'auto-toucher

Dans cette phase, un réseau entièrement connecté (FCN) est entraîné pour prédire le retour tactile découlant exclusivement des contacts doigt-doigt ou doigt-paume, indépendamment des objets externes.

• Entrées : Positions articulaires actuelles ($q_t$) et positions articulaires désirées de l'instant précédent ($q^{des}_{t-1}$).
• Sorties : État tactile prédit ($\hat{s}_t$) pour l'index et le pouce.
• Données d'entraînement : Collectées lors de mouvements en espace libre et de scénarios d'auto-contact (ex: frottements, pincements sans objets) à travers une large gamme de postures.
• Objectif : Le modèle apprend à associer les configurations articulaires aux motifs tactiles caractéristiques de l'auto-contact.

Phase 2 : Apprentissage du mouvement

Cette phase intègre le modèle d'auto-toucher appris dans la politique de contrôle pour les tâches de manipulation.

• Architecture : Un réseau de neurones récurrents (LSTM) traite un vecteur d'entrée combiné contenant :
  1. Les positions articulaires actuelles ($q_t$).
  2. Les données de capteurs tactiles brutes ($T_t$).
  3. Les signaux d'auto-toucher prédits ($\hat{s}_t$) générés par une copie figée du FCN de la Phase 1.
• Mécanisme : Le LSTM prédit la prochaine configuration articulaire, la configuration désirée et le retour tactile brut résultant. En injectant explicitement l'auto-toucher prédit dans le réseau, le système apprend à « atténuer » les signaux auto-générés attendus. Cela permet au réseau de se concentrer sur le signal résiduel, qui représente l'interaction avec l'objet externe.
• Différenciation : Contrairement aux méthodes de base qui traitent toute l'entrée tactile comme externe, TaSA utilise l'auto-toucher prédit comme référence pour filtrer le bruit interne prévisible, améliorant ainsi le rapport signal sur bruit pour le contact avec l'objet.

3. Configuration expérimentale

Le cadre a été évalué à l'aide d'une main Allegro (16 DOF) équipée de capteurs tactiles triaxiaux haute résolution uSkin sur les extrémités de l'index et du pouce. Les expériences ont utilisé un système de téléopération maître-esclave pour générer des trajectoires de mouvement naturelles.

Trois tâches d'insertion de précision ont été sélectionnées pour tester la discrimination tactile fine sous diverses conditions :

1. Fixation de trombons : Fixer de petits et de grands trombons sur du papier à différentes positions latérales.
2. Insertion de pièces : Insérer des pièces de 1, 100 et 500 yens dans une fente étroite à différentes positions.
3. Insertion de mine de crayon : Insérer des mines de diamètres variables (0,7 mm à 2,0 mm) sous différents angles dans un porte-mine mécanique.

L'évaluation a employé un fractionnement entraînement-test strict, où des positions, tailles ou angles spécifiques ont été réservés aux tests pour sonder les capacités de généralisation.

4. Résultats clés

L'étude a comparé TaSA (Tactile Brut + Auto-prédiction) à une méthode de base utilisant uniquement le Tactile Brut (RT).

• Précision de la prédiction de l'auto-toucher : Le modèle de la Phase 1 a atteint une corrélation élevée avec les signaux d'auto-toucher réels ($r \approx 0,96$ pour le pouce, $r \approx 0,98$ pour l'index). L'erreur de prédiction est restée proche de zéro lors d'un auto-contact soutenu, les écarts survenant principalement lors de transitions rapides, isolant efficacement la composante de l'auto-toucher.
• Amélioration de la performance des tâches :
  • Fixation de trombons : Les taux de réussite sont passés de 70 % (RT uniquement) à 95 % (TaSA). L'amélioration a été la plus notable pour le placement "frontal", où l'auto-contact simulait souvent une fixation réussie du trombone dans la méthode de base.
  • Insertion de pièces : Les taux de réussite sont passés de 68 % à 92 %. TaSA a démontré une généralisation parfaite (100 % de succès) sur la fente "centrale" non vue pour toutes les tailles de pièces, alors que la méthode de base peinait lors des frottements sur les bords.
  • Insertion de mine de crayon : Cette tâche, la plus difficile, a vu les taux de réussite passer de 26 % à 58 %. TaSA a montré une robustesse significative à travers les angles entraînés et non entraînés, particulièrement pour les mines fines où les signatures tactiles sont faibles.
• Analyse de l'espace des caractéristiques (PCA) : Les visualisations de l'espace des caractéristiques appris ont révélé que TaSA réduit la variance causée par les signaux auto-générés. Cela a permis une séparation plus claire entre les différents états de la tâche (ex: clusters distincts pour différentes tailles de pièces ou angles d'insertion) par rapport aux clusters chevauchants observés avec la méthode de base.

5. Signification et revendications

L'article affirme qu'une perception tactile structurée basée sur l'atténuation sensorielle est cruciale pour la manipulation robotique dextre.

• Nouveauté : TaSA est présenté comme le premier cadre qui modélise et utilise explicitement la dynamique de l'auto-toucher pour filtrer les signaux tactiles dans la manipulation multi-doigts, comblant une lacune où les travaux précédents ignoraient l'auto-contact ou échouaient à le différencier du contact avec l'objet.
• Généralisation : Les résultats démontrent qu'en apprenant à prédire et à soustraire les signaux auto-générés, les robots peuvent mieux se généraliser à des géométries d'objets, des positions et des orientations inédites.
• Robustesse : Le cadre permet un contrôle stable dans des environnements riches en contacts où l'auto-contact est inévitable, empêant le système d'être submergé par le bruit tactile prévisible.
• Direction future : Les auteurs suggèrent que cette approche est une étape nécessaire vers le passage à une manipulation multi-doigts complexe, où les interactions doigt-doigt et doigt-paume sont fréquentes et doivent être distinguées des interactions avec l'objet pour maintenir la stabilité de la saisie et l'intégrité de l'objet.

Les auteurs restent modestes quant à la portée de l'étude, notant que bien que le cadre soit prometteur pour extraire le toucher externe comme une entrée distincte, des investigations supplémentaires sont nécessaires pour réaliser pleinement son potentiel dans des scénarios plus complexes à haut nombre de degrés de liberté (DOF).