一副“无限手套”的诞生：548个传感器，人机合一

无限手套不只灭霸拥有，不远的将来你也可能会得到，只是它没有6颗宝石，却有548个传感器加持。更吸引人的是，这副手套的材料成本只有10美元，也就是不超过70元。

人类能够以适当的力度抓握和感受物体。但是这种触觉反馈很难在机器人身上实现。近年来，基于计算机视觉的抓握策略在新兴机器学习工具的帮助下，取得了长足进步，但是对触觉这一个重要感知模态的使用仍然是欠缺的。

目前已有的类似手套传感器装置造价高达数千美元，并且只有50个传感器来收集信息。 来自麻省理工学院计算机科学与人工智能实验室的Subramanian Sundaram及同事设计了一种简易廉价（成本只有10美元）的可伸缩触觉手套，上面布置了548个传感器和64个导电线电极。

该传感器阵列由一张力敏薄膜和导电线网络组成。电极与薄膜之间的每一个重合点都对垂直力敏感，并会记录通过薄膜的电阻。

研究人员带上手套单手操控物体，由此记录下了一个大规模的触觉图谱数据集。数据集包含手指区域的空间关联和对应，它们代表了人类抓握的触觉特征。

研究人员使用手套，单手与26种物体进行互动，包括汽水罐、剪刀、网球、勺子、笔和杯子等等，时间超过5个小时，并录下了触觉视频。之后，他们利用记录下来的数据训练一种深度学习网络来识别这些图片，发现该深度学习网络能够通过持握方式鉴定出不同的物体，还能估计出物体重量，这些都无需视觉输入。

在这26种物体的试验中，这个系统识别准确率高达76％，还可以估测60克内的大多数物体的重量。

研究者称，这种策略或有助于未来设计假体、机械工具和人机交互。

本文作者之一是麻省理工学院计算机科学与人工智能实验室（CSAIL）博士生李昀烛，他的专业领域是计算机视觉、机器学习和机器人技术，尤其是基于深度学习的机器人动力学建模和多模态感知。 李昀烛全程参与了此次研究，并和Subramanian Sundaram所在的实验室协作完成了这项工作。

他接受DeepTech采访对此项研究进行了解读。

DeepTech：对于普通读者来说，这个手套很科幻，你们是基于什么考虑来开发这个手套的？

李昀烛：人在和周围环境进行交互的时候，除了用视觉，我们还会用听觉和触觉等多种感官来感知这个世界，而其中触觉在我们日常生活中和环境进行物理性交互的过程中尤为重要。

比如伸手到裤兜里拿钥匙，需要在看不见的情况下对钥匙进行定位和抓取；或者在揉面团的时候，要判断面团的软硬，这些任务仅靠视觉是很困难的，还需要有来自触觉的反馈。所以我们希望引入像人手一样的压力传感器，去研究人到底是如何利用触觉去跟世界进行交互的。

现在已有的触觉传感器要么非常小，能感知的区域有限，要么可能面积比较大，但是传感器的密度非常稀疏，并且可能很难扩展到更大的面积，所以我们希望能做一个非常密集的且有很强可扩展性的手套感知器。

我们开发的这一套传感器使用的是柔性材料，非常适合去贴合像手这样自由度比较大的物体。我们带上这个手套去跟各种各样的物体进行互动，就能得到清晰度很高的触觉数据集，来分析人在抓取物体过程中的一些行为模式。

我们希望在未来能帮助机器手做到像人的手指一样灵活。比如人在抓一个东西的时候，我们就得到了人的手指压力分布数据，那么这有助于机器人更灵活地把物体抓起来，或者完成某个相似的任务。

DeepTech：能不能解读一下这个手套的基本原理？为何选择的传感器数目是548个？

李昀烛：手套的基本原理比较容易理解。当你在对手套施加压力的时候，它的导电性就会有一定变化，这就变成了数据。其中我们分两层在横向和纵向分别排布了32条导电线，在两层电线之间加入了一张对垂直力敏感的薄膜，当压力变化时，薄膜的电阻也会随之变化，电极阵列就能感知到这种变化。

在实验室的环境里，32×32是一个比较合理的密度，如果做的更密集，导电线在人手大幅度运动的过程中就可能接触发生短路。再者，因为手掌形状的不规则，在手掌的区域内只能容纳548个压力传感器。在未来我们可能会采取其他办法来实现更高的传感器密度，比如更精细的排线设计。

DeepTech：此项研究的最大突破在哪里？与之前的研究相比，本次研究在方法上和结果上有哪些突破性收获？

李昀烛：这项研究的突破在于我们提出了一种新的传感器的设计和制造方法，不需要特别的制作工具，使用的也都是市场上能买到的材料，最后的产品很灵敏，成本很低，并且有很强的可扩展性；在软件方面，我们给出了行业领域内第一个包含整个手掌触觉信息的大规模数据集，这可以帮助我们使用机器学习的算法去定量理解人类的抓取动作。

设计和制作整个带触觉的“皮肤”是很有挑战性的，我们既需要很强的可扩展性和长时间稳定工作的能力，还不能去影响人本身的动作，之前的研究很难兼得这些要求。

DeepTech：10美元的成本意味着什么？

李昀烛：10美元指的是手套以及传感器的成本。除了手套以外，我们目前连接传感器的线路板大约为100美元。低成本就意味着有更多的扩展和商业化的可能性。

DeepTech：能不能描绘一下其应用前景？这个研究的下一步是怎样的？

李昀烛：这项研究有很多可能的应用，比如我们可以记录人在完成某个复杂任务时的触觉反馈，然后通过模仿学习去帮助机器人完成类似的任务；或者我们可以将传感装置的面积做得更大，包裹住整个机械臂，这可以帮助机器人更好地和人类进行交互；我们也可以把传感器织成衣服和鞋子，来分析人在走路、跑步或登山时的受力分布，有助于设计出更好的产品；在交互游戏的设计上也会有很多想象的空间。

参考：

https://www.nature.com/articles/s41586-019-1234-z%20

https://news.mit.edu/2019/sensor-glove-human-grasp-robotics-0529