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(21)

对于每一个目标对象，在模拟实验和真实世界的实验中，作者给出了两种操作轨迹的演示：1）用手指抓握和手内物体旋转来拾取和放置，以及 2）相同的操作但在抓取过程中指尖断开并重新建立接触（手指转动）。演示给出了总共 24 条轨迹，用于模拟和真实世界实验的分析。在这两种操作的轨迹类型中，目标对象都会因惯性力和与工作台的推力接触而发生平移和旋转滑动。每个轨迹持续一分钟左右。假设可以在大约 30Hz 的频率下运行姿态估计算法，最终得到的每个轨迹总共大约 2k 帧。除了本文建议的优化器（WRS、REPS、PBO），作者还评估了以下两个基线方法：开环（Open Loop，OLP）和标识（Identity，EYE）。OLP 使用 1 个模拟来跟踪对象的姿势。EYE 使用一组有噪声的初始姿态进行初始化，并且总是选择成本最低的模拟姿态，但它不执行任何重新采样或优化器更新处理。
最后，本文使用平均距离偏差（Average Distance Deviation，ADD）作为评估指标。ADD 计算真实姿势和预测姿势的对象点云中相应点之间的平均距离。
图 11 给出模拟环境中的实验结果。其中，黑色垂直线的长度表示 1 个标准偏差。优化方法通常具有较低的平均值和方差，但它们的相对排序取决于初始姿态噪声的大小。REPS 和 PBO 分别在 5.8mm 和 5.9mm 的中等噪声条件下获得了最佳的 ADD 性能。由图 11 可知，ADD 随着初始姿态误差的增加而增大，而基于优化器方法的 ADD 值相对较小。虽然 EYE 有时可以获得与使用优化器的方法相当的效果，但后者通常具有较小的误差方差和较大的误差。在中等噪声的情况下，REPS 和 PBO 的最优 ADD 值分别为 5.8mm 和 5.9mm。

图 11. 在所有模拟实验中，不同优化器对初始姿态噪声水平的姿态跟踪误差比较