Optimiser la simulation BioTac pour une perception tactile réaliste

La détection tactile présente une opportunité prometteuse pour améliorer les capacités d'interaction des robots d'aujourd'hui. BioTac est un capteur tactile couramment utilisé qui permet aux robots de percevoir et de réagir à des stimuli tactiles physiques. Cependant, la non-linéarité du capteur pose des défis dans la simulation de son comportement. Dans cet article, nous examinons d'abord une simulation de BioTac qui utilise la température, la force et les positions des points de contact pour prédire les sorties du capteur. Nous montrons que l'entraînement avec les lectures de température de BioTac ne permet pas d'obtenir des prédictions précises des sorties du capteur lors du déploiement. Par conséquent, nous avons testé trois modèles alternatifs, à savoir un régresseur XGBoost, un réseau de neurones et un encodeur transformeur. Nous entraînons ces modèles sans lectures de température et fournissons une enquête détaillée sur la taille de la fenêtre des vecteurs d'entrée. Nous démontrons que nous avons obtenu des améliorations statistiquement significatives par rapport au réseau de base. De plus, nos résultats révèlent que le régresseur XGBoost et le transformeur surpassent les réseaux de neurones traditionnels en feed-forward dans cette tâche. Nous mettons tout notre code et nos résultats à disposition en ligne sur https://github.com/wzaielamri/OptimizingBioTacSimulation.