Представьте: робот учится чувствовать мир на ощупь, но его «пальцы» не понимают, насколько сильно они нажимают на предмет. Исследователи создали библиотеку 3D Cal, которая превращает обычный 3D-принтер стоимостью в несколько сотен долларов в автоматическое устройство для калибровки тактильных датчиков. Главное достижение: система собирает тысячи помеченных данных за пару часов вместо недель ручной работы.
Тактильные датчики помогают роботам манипулировать объектами, улучшают телеоперирование и даже используются в медицинской диагностике. Однако их внедрение остается сложной задачей: калибровка требует дорогостоящего оборудования (промышленные роботы-манипуляторы, CNC-станки, системы захвата движения) и технической экспертизы. Для визуальных тактильных датчиков, которые выдают изображения высокого разрешения, задача усложняется: нужно обучить нейросеть на десятках тысяч примеров, а сбор таких данных вручную отнимает недели. 3D Cal решает эту проблему через автоматизацию и доступность.
Механика работы напоминает трехактный спектакль. Сначала пользователь печатает на 3D-принтере основание для датчика, фиксируя его положение в координатах принтера. Затем к печатающей головке крепится сферический зонд диаметром 2 мм. Наконец, программа управляет принтером через G-code команды, заставляя зонд тысячи раз касаться датчика в заданных точках с известной глубиной — каждое касание автоматически помечается координатами. Библиотека поддерживает коммерческие датчики DIGIT и GelSight Mini, а также любые сенсоры, совместимые с OpenCV. Исследователи протестировали систему, собрав по 1221 и 1209 точек калибровки для каждого датчика на сетке с шагом 0,5 мм — весь процесс занял около 2 часов на датчик.
Результаты впечатляют конкретикой. Обученная на этих данных нейросеть TouchNet генерирует карты глубины в реальном времени — менее 30 мс на кадр, что соответствует 30 fps. На тестовых объектах (полусферы, таблетка, пешка) средняя ошибка реконструкции составила 16–52 мкм для DIGIT и 22–49 мкм для GelSight Mini — это 5–15% от максимальной глубины вдавливания, что подходит для большинства задач манипулирования. Модель точно определяла области без контакта (ошибка Type 1 менее 20 мкм) и хорошо работала даже на объектах со сложной геометрией, не участвовавших в обучении. Исследование показало, что для стабильной калибровки достаточно 20% от общего числа точек (около 240 координат на сетке 0,5×0,5 мм) — дальнейшее увеличение данных лишь незначительно снижает вариативность ошибок по поверхности датчика. Единственное ограничение: модель испытывала трудности с темными тенями на сложных формах вроде «шеи» пешки, где геометрия объекта блокировала освещение датчика.
Источник новости и обложки: arxiv.org