Resumo Técnico: TaSA – Aprendizado Preditivo Profundo de Duas Fases para Atenuação Sensorial Tátil

1. Definição do Problema

A manipulação de objetos com as mãos robóticas, particularmente tarefas que exigem destreza fina como pinçar, usar ferramentas e inserção de precisão, enfrenta um desafio crítico: distinguir entre sinais táteis gerados pelo autocontato (dedos tocando outros dedos ou a palma) e o contato externo (dedos tocando um objeto).

As abordagens robóticas atuais frequentemente mitigam essa complexidade restringindo o movimento para evitar o autocontato ou ignorando inteiramente a informação tátil própria. No entanto, em cenários do mundo real, o autocontato é inevitável. Quando um robô não consegue diferenciar seus próprios movimentos de interações externas, ele corre o risco de classificar erroneamente o toque próprio como contato externo. Isso leva a agarres instáveis, terminação errônea da tarefa e potencial dano ao objeto ou ao robô. Enquanto os humanos utilizam a Atenuação Sensorial (SA) — um mecanismo onde o sistema nervoso reduz o peso de sinais sensoriais previsíveis gerados pelo próprio corpo para destacar estímulos externos novos — os robôs carecem de um framework preditivo equivalente para filtrar esses sinais de forma eficaz.

2. Metodologia: O Framework TaSA

Os autores propõem o TaSA, um framework de aprendizado preditivo profundo de duas fases projetado para replicar a atenuação sensorial em mãos robóticas. O objetivo central é modelar e subtrair explicitamente a dinâmica do toque próprio, isolando assim as interações com objetos externos.

Fase 1: Aprendizado de Autotoque

Nesta fase, uma rede totalmente conectada (FCN) é treinada para prever o feedback tátil resultante exclusivamente de contatos dedo-dedo ou dedo-palma, independentemente de objetos externos.

• Entradas: Posições atuais das juntas ($q_t$) e posições desejadas das juntas do passo de tempo anterior ($q^{des}_{t-1}$).
• Saídas: Estado tátil previsto ($\hat{s}_t$) para as pontas dos dedos indicador e polegar.
• Dados de Treinamento: Coletados durante movimentos em espaço livre e cenários de autocontato (ex: esfregar, pinçar sem objetos) através de uma ampla gama de posturas.
• Objetivo: O modelo aprende a associar configurações de juntas com os padrões táteis característicos do autocontato.

Fase 2: Aprendizado de Movimento

Esta fase integra o modelo de autotoque aprendido na política de controle para tarefas de manipulação.

• Arquitetura: Uma rede neural recorrente (LSTM) processa um vetor de entrada combinado contendo:
  1. Posições atuais das juntas ($q_t$).
  2. Dados táteis brutos ($T_t$).
  3. Sinais de autotoque previstos ($\hat{s}_t$) gerados por uma cópia congelada da FCN da Fase 1.
• Mecanismo: A LSTM prevê a próxima configuração de junta, a configuração desejada e o feedback tátil bruto resultante. Ao alimentar explicitamente o autotoque previsto na rede, o sistema aprende a "atenuar" os sinais previsíveis gerados pelo próprio corpo. Isso permite que a rede foque no sinal residual, que representa a interação com o objeto externo.
• Diferenciação: Diferente dos métodos de base que tratam todo o input tátil como externo, o TaSA utiliza o autotoche previsto como uma referência para filtrar o ruído interno previsível, aumentando a relação sinal-ruído para o contato com o objeto.

3. Configuração Experimental

O framework foi avaliado utilizando uma Mão Allegro (16 DOF) equipada com sensores táteis triaxiais de alta resolução uSkin nas pontas dos dedos indicador e polegar. Os experimentos utilizaram um sistema de teleoperação líder-seguidor para gerar trajetórias de movimento naturalistas.

Três tarefas de inserção de precisão foram selecionadas para testar a discriminação tátil fina sob diferentes condições:

1. Fixação de Clipe de Papel: Prender clipes de papel pequenos e grandes em papel em diferentes posições laterais.
2. Inserção de Moeda: Inserir moedas de 1, 100 e 500 ienes em uma fenda estreita em diferentes posições.
3. Inserção de Grafite de Lápis: Inserir grafites de variados diâmetros (0,7 mm a 2,0 mm) em ângulos diferentes em um lápis mecânico.

A avaliação empregou uma divisão rigorosa de treino-teste, onde posições, tamanhos ou ângulos específicos foram reservados para teste a fim de investigar as capacidades de generalização.

4. Resultados Principais

O estudo comparou o TaSA (Tátil Bruto + Autotoque Previsto) contra uma linha de base utilizando apenas o Tátil Bruto (RT).

• Precisão de Predição de Autotoque: O modelo da Fase 1 alcançou alta correlação com os sinais de autotoque reais ($r \approx 0,96$ para o polegar, $r \approx 0,98$ para o indicador). O erro de predição permaneceu próximo de zero durante o autocontato sustentado, com desvios ocorrendo principalmente durante transições rápidas, isolando efetivamente o componente de autotoque.
• Melhorias no Desempenho das Tarefas:
  • Fixação de Clipe de Papel: As taxas de sucesso aumentaram de 70% (apenas RT) para 95% (TaSA). A melhoria foi mais notável na colocação "frontal", onde o autocontato frequentemente mimetizava a fixação bem-sucedida do clipe na linha de base.
  • Inserção de Moeda: As taxas de sucesso melhoraram de 68% para 92%. O TaSA demonstrou generalização perfeita (100% de sucesso) na fenda "central" não vista em todas as dimensões de moedas, enquanto a linha de base teve dificuldades com o raspagem nas bordas.
  • Inserção de Grafite de Lápiz: Esta tarefa mais difícil viu as taxas de sucesso subirem de 26% para 58%. O TaSA mostrou robustez significativa tanto em ângulos treinados quanto não treinados, particularmente para grafites mais finos onde as assinaturas táteis são fracas.
• Análise de Espaço de Características (PCA): Visualizações do espaço de características aprendido revelaram que o TaSA reduziu a variância causada pelos sinais autogerados. Isso resultou em uma separação mais clara entre diferentes estados da tarefa (ex: clusters distintos para diferentes tamanhos de moedas ou ângulos de inserção) comparado aos clusters sobrepostos observados na linha de base.

5. Significância e Alegações

O artigo afirma que a percepção tátil estruturada baseada em atenuação sensorial é crítica para a manipulação robótica destra.

• Novidade: O TaSA é apresentado como o primeiro framework que modela e utiliza explicitamente a dinâmica do autotoque para filtrar sinais táteis em manipulação com múltiplos dedos, abordando uma lacuna onde trabalhos anteriores ou ignoravam o autocontato ou falhavam em diferenciá-lo do contato com o objeto.
• Generalização: Os resultados demonstram que, ao aprender a prever e subtrair sinais autogerados, os robôs podem generalizar melhor para geometrias, posições e orientações de objetos não vistos.
• Robustez: O framework permite o controle estável em ambientes ricos em contato onde o autocontato é inevitável, evitando que o sistema seja sobrecarregado pelo ruído tátil previsível.
• Direção Futura: Os autores sugerem que esta abordagem é um passo necessário para escalar para manipulações complexas com múltiplos dedos, onde as interações dedo-dedo e dedo-palma são frequentes e devem ser distinguidas das interações com objetos para manter a estabilidade da garra e a integridade do objeto.

Os autores mantêm-se modestos quanto ao escopo, observando que, embora o framework mostre promessa para extrair o toque externo como um input separado, investigações adicionais são necessárias para realizar plenamente seu potencial em cenários de maior DOF (graus de liberdade).