机器人与触觉传感技术的碰撞，一文初探人类与机器人的触觉传感(20)

通过优化一个对偶函数 g(η)来计算η，之后使用η构建 REPS

重采样后，会以与 WRS 相同的方式对每个模拟进行扰动处理。
3） 基于群体的优化（Population-Based Optimization，PBO）：受基于人群的训练（Population-Based Training ，PBT）方法启发[7]，PBO 首先根据平均成本对所有模拟进行排序，并找到成本最低的最优 K_best 模拟。然后，通过将剩余的 K-K_best 模拟替换为 K_best 模拟的副本，并对其进行替换取样后再进行利用。最后，仍然以与 WRS 相同的方式对 K_best 模拟进行扰动处理。
3.2.2 实验分析
作者使用由 Allegro Hand 搭配 Kuka IIWA7 的机械手臂，通过仿真和真实世界的实验来评估本文提出的方法的性能。在仿真实验中，首先用手跟踪操作系统采集手部目标的操纵轨迹，然后通过离线运行本文提出的算法来评估姿态估计误差。对于真实世界的实验，作者使用 PoseRBPF[8]，一种最新的基于 RGB-D 的粒子滤波的姿态估计算法来获得物体的初始和最终姿态，同时将这些初始和最终目标姿态视为真实值，并将最终姿态与本文提出的算法预测的姿态进行比较。
作者将 4 指 16 自由度的 Allegro Hand 安装在 7 自由度 Kuka IIWA7 机器人手臂上。为了获得真实世界中的接触反馈，将 SynTouch BioTac 传感器连接到每个指尖。
实验中使用耶鲁 - 哥伦比亚大学 - 伯克利分校（Yale-Columbia-Berkeley，YCB）对象数据集中的 3 个对象（垃圾邮件罐、泡沫砖和玩具香蕉），以及文献 [9] 中发布的数据集中获得的模型、纹理和点云。之所以选择这些物体，是因为它们适合 Allegro Hand 的大小，而且足够轻，因此可以形成坚固的精密抓握（作者清空了垃圾邮件罐，以减轻其重量）。