我們可以通過(guò)視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)來(lái)感知物體，而且這幾種感知是可以同時(shí)進(jìn)行且互相感受的。但是機(jī)器人卻很難做到這一點(diǎn)，它也許能“看”，也可以“觸摸”，但是這些感知信息卻無(wú)法交換。

最近，來(lái)自MIT CSAIL的博士、曾經(jīng)的北大學(xué)神李昀燭（一作）聯(lián)合朱俊彥（二作）等人提出一種預(yù)測(cè)性的人工智能，使機(jī)器人能夠通過(guò)觸摸來(lái)“看”物體，并且反過(guò)來(lái)通過(guò)視覺(jué)圖像來(lái)預(yù)測(cè)觸摸的感受。

加拿大作家瑪格麗特?阿特伍德曾在小說(shuō)《盲刺客》中寫(xiě)道：「觸覺(jué)先于視覺(jué)，先于語(yǔ)言。它是第一語(yǔ)言，也是最后的語(yǔ)言，它不會(huì)騙人?！?/p>

的確，有時(shí)候眼見(jiàn)未必為真，耳聽(tīng)也未必為實(shí)。但你用手去觸摸的感知總不會(huì)騙人。

不過(guò)，雖然觸覺(jué)讓我們可以直接感受物理世界，但眼睛卻可以幫助我們立即理解這些觸覺(jué)信號(hào)的全貌，讓我們快速獲得關(guān)于物體的認(rèn)知。

但對(duì)我們來(lái)說(shuō)很簡(jiǎn)單的一件事，對(duì)機(jī)器人來(lái)說(shuō)卻并不容易。帶有攝像頭的機(jī)器人可以直接看世界，帶有觸覺(jué)系統(tǒng)的機(jī)器人可以直接感知。但具有觸覺(jué)或視覺(jué)的機(jī)器人無(wú)法互換這些信號(hào)。

為了縮小這種感官差距，麻省理工計(jì)算機(jī)視覺(jué)和人工智能實(shí)驗(yàn)室的研究人員提出了一種預(yù)測(cè)性的人工智能，可以通過(guò)觸覺(jué)來(lái)「看」世界，再通過(guò)「看」來(lái)感受。

下面，我們來(lái)看一下具體研究（先上動(dòng)圖感受下）：

綠色：真實(shí)結(jié)果；紅色：預(yù)測(cè)結(jié)果

這篇論文到底做了什么？

人類(lèi)感知世界的方式有很多種，包括視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)。在這項(xiàng)研究中，研究人員探索了視覺(jué)和觸覺(jué)之間的跨模態(tài)聯(lián)系。

這項(xiàng)跨域建模任務(wù)的主要挑戰(zhàn)在于兩者之間顯著的比例差異：當(dāng)我們的眼睛同時(shí)感知整個(gè)視覺(jué)場(chǎng)景時(shí)，只能感受到物體的一小部分。

為了將視覺(jué)和觸覺(jué)聯(lián)系起來(lái)，研究人員引入了兩個(gè)跨模態(tài)任務(wù)：1）從視覺(jué)輸入中合成可信的觸覺(jué)信號(hào)，2）從視覺(jué)輸入中直接預(yù)測(cè)哪個(gè)物體和哪個(gè)部分正在被觸摸。

為了完成此目標(biāo)，研究人員構(gòu)建了一個(gè)機(jī)器人系統(tǒng)來(lái)自動(dòng)化收集大規(guī)模視覺(jué)-觸覺(jué)對(duì)的過(guò)程。如圖 1a 所示，機(jī)器人手臂裝有一個(gè)觸覺(jué)傳感器，稱(chēng)為 GelSight。

他們還設(shè)置了獨(dú)立的網(wǎng)絡(luò)攝像機(jī)來(lái)記錄物體和機(jī)械臂的視覺(jué)信息。研究人員總共記錄了對(duì) 195 個(gè)不同物體的 12000 次觸摸。每個(gè)觸摸動(dòng)作包含 250 幀的視頻序列，最后產(chǎn)生了 300 萬(wàn)個(gè)視覺(jué)和觸覺(jué)對(duì)圖像。

為了縮小圖像數(shù)據(jù)和觸摸數(shù)據(jù)之間的數(shù)據(jù)量比例差距，他們提出了新的條件對(duì)抗模型，該模型結(jié)合了觸覺(jué)的比例和位置信息。人類(lèi)的感知研究表明，該模型可以根據(jù)觸覺(jué)數(shù)據(jù)生成逼真的視覺(jué)圖像，反之亦然，即它也可以根據(jù)視覺(jué)數(shù)據(jù)生成觸覺(jué)感知。

最后，研究人員給出了關(guān)于不同系統(tǒng)設(shè)計(jì)的定性和定量實(shí)驗(yàn)結(jié)果，并可視化了模型學(xué)習(xí)到的表征，以幫助我們理解它捕捉到的東西。

這項(xiàng)研究可以幫助機(jī)器人更好的理解物體的性質(zhì)，而相關(guān)的拓展甚至可以協(xié)助盲人更好的通過(guò)觸摸感知環(huán)境。

機(jī)器人如何通過(guò)觸覺(jué)來(lái)「看」世界，或者通過(guò)視覺(jué)圖像來(lái)「想象」觸覺(jué)

在模型層面，研究人員構(gòu)建了一個(gè)跨模型的預(yù)測(cè)系統(tǒng)，以根據(jù)觸覺(jué)預(yù)測(cè)視覺(jué)，反之亦然。他們首先將觸覺(jué)中的程度、規(guī)模、范圍和位置信息結(jié)合在模型中。然后，使用數(shù)據(jù)平衡的方法多樣化其結(jié)果。最后，通過(guò)考慮時(shí)間信息的方法進(jìn)一步提高準(zhǔn)確性。

研究中的模型基于 pix2pix 方法，是一個(gè)用于圖像到圖像任務(wù)的條件 GAN 框架。

在任務(wù)中，生成器接受視覺(jué)圖像或觸覺(jué)圖像作為輸入，并生成一個(gè)對(duì)應(yīng)的觸覺(jué)或視覺(jué)圖像。而判別器觀察輸入的圖像和輸出的圖像。

在訓(xùn)練中，判別器分辨輸出和真實(shí)圖像的區(qū)別，同時(shí)生成器生成真實(shí)的，可以迷惑判別器的圖像。

在實(shí)驗(yàn)中，研究人員使用視覺(jué)-觸覺(jué)圖像對(duì)來(lái)訓(xùn)練模型。在從觸覺(jué)還原視覺(jué)的任務(wù)中，輸入觸覺(jué)圖像，而輸出是對(duì)應(yīng)的視覺(jué)圖像。而在視覺(jué)預(yù)測(cè)觸覺(jué)的任務(wù)中，則輸入和輸出對(duì)調(diào)。

模型

圖 3：視覺(jué)-觸覺(jué)的模型結(jié)構(gòu)。生成器包括編碼器和解碼器兩個(gè)部分。輸入使用了視覺(jué)圖像和參考視覺(jué)-觸覺(jué)圖像一起編碼，并產(chǎn)生觸覺(jué)圖像作為輸出。對(duì)觸覺(jué)-視覺(jué)的任務(wù)上，使用同樣的結(jié)構(gòu)，但是交換視覺(jué)圖像和觸覺(jué)圖像的輸入輸出位置。

模型使用編碼器-解碼器架構(gòu)用于生成任務(wù)。在編碼器上分別使用兩個(gè) ResNet-18 模型用于輸入圖像（視覺(jué)或觸覺(jué)圖像）和參考的視覺(jué)-觸覺(jué)圖像。

將來(lái)自編碼器的兩個(gè)向量合并后，研究人員將其輸入解碼器。解碼器包括五層標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)，因?yàn)檩敵龊鸵恍﹨⒖紙D像相似，研究人員在編碼器和解碼器之間其中加入了一些跨層連接。對(duì)于判別器，研究人員使用了 ConvNet。

為防止模式崩塌，研究人員采取數(shù)據(jù)重均衡策略來(lái)幫助生成器生成不同的模式。評(píng)估包括關(guān)于結(jié)果真實(shí)感的人類(lèi)感知研究以及觸摸位置的準(zhǔn)確性和 GelSight 圖像中變形量等客觀度量。

機(jī)器人設(shè)置

研究人員使用 KUKA LBR iiwa 工業(yè)機(jī)械臂來(lái)實(shí)現(xiàn)數(shù)據(jù)收集過(guò)程的自動(dòng)化。機(jī)械臂上安裝的 GelSight 傳感器用以收集原始觸覺(jué)圖像。

他們還在機(jī)械臂背面的三腳架上安裝了一個(gè)網(wǎng)絡(luò)攝像頭，以捕捉機(jī)械臂觸摸物體的場(chǎng)景視頻。此外，研究人員還利用時(shí)間戳記錄來(lái)同步視覺(jué)和觸覺(jué)圖像。

數(shù)據(jù)集和方法

圖 2: 參與實(shí)驗(yàn)的物品集合。使用了很多日用品和食品。

表 1： 數(shù)據(jù)集的劃分。

研究的數(shù)據(jù)集是 YCB（Yale-CMU-Berkeley）數(shù)據(jù)集，一個(gè)標(biāo)準(zhǔn)的日用品數(shù)據(jù)集，被廣泛用于機(jī)器人操作研究。研究人員在研究中使用了 195 個(gè)物品，其中 165 個(gè)作為訓(xùn)練集，并使用 30 個(gè)已訓(xùn)練的和 30 個(gè)模型未見(jiàn)過(guò)的物品進(jìn)行測(cè)試。

訓(xùn)練

模型使用 Adam 學(xué)習(xí)器，學(xué)習(xí)率 0.0002。L1 loss 的λ為 10。使用 LSGAN 而非標(biāo)準(zhǔn) GAN 的損失函數(shù)。同時(shí)對(duì)圖像采用了一些數(shù)據(jù)增強(qiáng)機(jī)制，如隨機(jī)剪裁，或圖像亮度、對(duì)比度、飽和度和色調(diào)微調(diào)。

實(shí)驗(yàn)創(chuàng)新

為了提高模型的表現(xiàn)，研究人員在實(shí)驗(yàn)上采取了一些創(chuàng)新措施：

使用參考觸覺(jué)-視覺(jué)圖像，幫助機(jī)器人定位觸摸位置，減少?gòu)囊曈X(jué)到觸覺(jué)任務(wù)中需要判斷觸摸位置的困難。

平衡大量的沒(méi)有材質(zhì)和起伏的平面觸覺(jué)數(shù)據(jù)，避免模型崩潰而使機(jī)器人在空氣中做無(wú)謂的物體觸摸動(dòng)作。

考慮時(shí)間信息（何時(shí)觸摸了物體表面），避免輸入和輸出序列不同步。

實(shí)驗(yàn)結(jié)果

圖 5：模型和其他基線結(jié)果的可視化對(duì)比。模型可以更好地根據(jù)視覺(jué)圖像預(yù)測(cè)物體表面的觸覺(jué)信息，也能夠更好地根據(jù)觸覺(jué)信息還原圖像表面。

表 2：真假測(cè)試中的模型表現(xiàn)。模型可以更好地分辨真實(shí)和虛假的觸覺(jué)信號(hào)，不管是對(duì)已知的物體還是未知的物體。

圖 6：從視覺(jué)到觸覺(jué)的量化評(píng)測(cè)結(jié)果。上圖：測(cè)試機(jī)器人是否已經(jīng)認(rèn)知到觸摸了物體表面的錯(cuò)誤數(shù)。下圖：根據(jù)圖像還原觸覺(jué)點(diǎn)位置的失真錯(cuò)誤情況。實(shí)驗(yàn)?zāi)Ｐ捅憩F(xiàn)基本上比其它模型好。

圖 7：從視覺(jué)還原觸覺(jué)的情況。上圖：模型是否能夠及時(shí)檢測(cè)到已經(jīng)觸摸了物體表面的曲線。下圖：根據(jù)圖像還原的觸覺(jué)點(diǎn)陣信息。