Unsupervised feature learning for classifying dynamic tactile events using sparse coding
Notice bibliographique
Résumé
Robotic operations that involve the displacement of objects generate different kinds of dynamic events. These may simply correspond to normal robot-related motion, or contact(s) with the object(s) during grasping, but they may also be potentially-problematic events like slippage. In this paper, we use sparse data from tactile sensors to detect slippage and discriminate object-gripper slip from object-world slip. The method we propose can also identify vibrations that correspond to other dynamic events automatically, even when those events are not related to slippage. The tactile data can then be classified, allowing the robot to react accordingly. To achieve this goal, we compute the power spectral density (PSD) of the tactile dynamic signal, and we apply transformations to the PSD that were inspired by the automatic speech recognition (ASR) field. The originality of this work comes from using a sparse representation of the transformed data to obtain sparse vectors containing a small set of high-level features. Those sparse vectors are then used as inputs to a simple linear support vector machine (SVM), that acts as a classifier and quickly estimates the event to which they correspond. Our method was tested on data obtained from 244 experiments that were conducted on 32 different everyday-objects. Results show that we can successfully discriminate most of the dynamic events we studied in this work. Moreover, by using this technique, we are able to detect slippage with an accuracy of 92.60% and to differentiate object-gripper slip from object-world slip with a success rate of 89.42%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».