BIFTA: Brain-Inspired Few-Shot Tactile Adaptation for Unknown Sensors
本文介绍了 BIFTA，这是一种受脑启发而设计的少样本学习框架，它通过利用双视图统计记忆、支持条件谱图以及不确定性门控循环传播，能够通过极少的标注数据实现预训练触觉模型向未知传感器的快速适应，从而克服硬件引起的性能崩溃。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，机器人通过使用摄像头在房间中导航并识别物体，已经精通了视觉艺术，其精度往往能与人类视觉相媲美。然而，在触觉方面，它们的进展却要迟缓得多。与依赖单一、通用介质（光）的视觉不同，触觉取决于传感器本身的物理特性。机器人的“皮肤”可能由柔软的橡胶制成，嵌入了微小的标记，或者配备了一个观察变形表面的摄像头。由于每个传感器构建方式不同，它记录触碰的方式也各具特色。一个被训练用来理解某种传感器下草莓纹理的机器人，在换用另一种传感器时往往会完全陷入混乱，即使物体本身是同一个。这种局限性为机器人的未来制造了一个重大障碍：如果机器人因为旧传感器损坏而需要更换新传感器，或者如果一批机器人需要共享来自不同硬件型号的数据，那么驱动其触觉感的软件必须能够实现即时适应，而无需从头开始重新训练。
研究人员一直致力于开发触觉的“基础模型”，即通过大量特定传感器的训练数据来学习硬度或形状等通用概念的大型系统。然而，这些模型在面对从未见过的传感器时会遇到瓶颈。在最近的一项研究中，来自北京理工大学的一个团队提出了一种受人类大脑处理新感觉信息方式启发的方法。正如人类可以在仅通过几次触摸后，就能快速学会如何理解一副新手套或一种不同纹理的感觉一样，研究人员开发了一种名为 BIFTA（脑启发少样本触觉自适应）的方法。该系统允许机器人利用一个预训练的“触觉大脑”，仅通过极少数的有标签示例，就能快速将其调整到一种完全未知的传感器上，而不是需要数千张新的训练图像。
该团队解决的核心问题是：当机器人更换传感器时，关于不同物体感觉的数学“地图”会被打乱。在一个传感器上训练的模型可能会认为一个光滑的表面在新传感器上看起来像粗糙的表面，仅仅是因为新硬件记录数据的方式不同。以往试图修复这一问题的尝试要么涉及重新训练整个系统（这既缓慢又耗费数据），要么使用简单的统计技巧（但在传感器差异过大时往往会失效）。研究人员发现，现有的方法往往会崩溃，从原始传感器上的高准确率跌落到在新传感器上接近随机猜测的水平。例如，在一个数据集中，一个在原生传感器上准确率为 71% 的标准模型，在测试六种不同的、未见的传感器时，准确率降到了不到 8%。
为了解决这个问题，该团队设计了一个三步走的过程，模拟了大脑区分稳定知识与快速适应的能力。首先，系统利用一小组有标签的示例（称为支持集）来创建新传感器的“记忆”。它不仅仅是记住这些示例，而是建立一个统计锚点，代表该新传感器认为每个物体应该具有什么样的触感。第二，它构建了一个新的几何地图。想象一下，不同物体的特征数据就像地图上的城市；当传感器改变时，这些城市之间的距离就会发生扭曲。该系统利用这组已知的少量示例来纠正这种扭曲，抑制那些让机器人感到困惑的噪声方向，并强化通向正确答案的路径。最后，它使用可靠性检查来决定机器人应该在多大程度上信任其新地图与原始训练之间的关系。如果一次新的触碰感觉模糊不清，系统会更多地依赖于它从那少量示例中建立的稳定记忆，从而确保机器人不会被误导性的信号所误导。
研究人员在涉及各种触觉传感器和任务（包括识别形状和识别特定物体）的三个不同数据集上测试了这种方法。他们使用了两种不同的预训练“触觉大脑”，并针对在原始训练数据中完全不存在的传感器进行了测试。结果令人瞩目。在一个数据集中，当机器人仅能获得 10% 的目标数据进行学习时，这种新方法将预训练模型的准确率从失败的 6.86% 提升到了稳健的 87.09%。这种提升并非偶然，它在不同类型的传感器、不同的预训练模型以及不同的任务中都保持一致。该系统的表现大幅超越了现有的最强方法，有时准确率提升了近 50 个百分点。即使只有 1% 的目标数据可用，该系统也能恢复很大一部分丧失的能力，证明了它可以用极少的练习学会“说”出一种新传感器的语言。
这种方法之所以特别强大，是因为它不需要机器人从头开始重新学习如何看或如何感觉。特征提取的繁重工作在原始模型中保持冻结，从而保留了它已拥有的庞大知识。自适应仅发生在最后阶段，即系统根据看到的少量新示例来重新校准其理解。这意味着机器人可以更换硬件，或者拥有不同传感器的机器人集群可以共享单一的、可适应的智能，而无需大规模的新数据集或昂贵的重新训练过程。这项研究表明，通过借鉴生物感觉适应的原理，工程师可以创造出不仅是为单一设备僵化编程，而且能够灵活应对物理世界复杂多变现实的触觉系统。
这些发现为使机器人更加稳健和多功能指明了清晰的道路。虽然目前的工作侧重于分类和识别任务，但作者指出，同样的原理也可以应用于更复杂的交互，例如操作易碎物体或实时理解材料特性。通过证明机器人可以利用极少的数据快速适应新传感器，这项研究消除了在硬件变化不可避免的动态环境中部署触觉智能的主要障碍。这项工作并不声称已经解决了机器人触觉的所有问题，但它提供了一种具体的、基于数据的方法，用以弥合机器人的学习经验与它明天可能遇到的未知硬件之间的鸿沟。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。