Sense of touch plays an important role in our daily lives from grasping and manipulating to identifying and interacting with objects. For robotic systems that interact with dynamic environments, it is crucial to recognize objects via their physical properties. However, this is difficult to achieve even with advanced vision techniques due to occlusion and poor lighting conditions. Tactile sensing instead, can simultaneously provide rich and direct feedback to the robotic systems. The performance of the previously proposed tactile object discrimination strategies is dependent on the tactile feature extraction and learning methods designed for particular experimental setup. Here, we propose novel tactile descriptors which are robust regardless of the number of tactile sensors used in robotic systems, types and techniques of tactile sensors, and structure of objects’ surfaces. Previous researchers have used various robotic systems and tactile sensors to passively learn about objects and identify them from each other by utilizing uniformly collected training samples in an offline manner. However, the informativeness of the data varies. Some objects have distinctive tactile properties, which makes them easy to be discriminated. Therefore, collecting many training samples can be redundant. Contrary to the previous studies, for the first time, we propose a complete probabilistic tactile-based framework consists of an active pre-touch workspace exploration strategy and active tactile object learning method. The robots with the active pre-touch efficiently explore the unknown workspace to estimate the number of objects, their location, and their orientation. With the benefit of the active touch learning algorithm, the robotic systems efficiently learn about objects based on their physical properties with the lowest possible number of samples. Furthermore, we propose a full-fledged touch-based probabilistic framework consisting of an active workspace exploration, active object discrimination, and active target object search. Taking advantage of our previously proposed active tactile object learning and our new active object discrimination algorithm, the robotic system efficiently distinguishes between objects and searches for specified target objects by strategically selecting the optimal exploratory actions. We also introduce a newly developed tactile-based method to determine the center of mass of rigid objects. Although several strategies have been proposed to robotic systems to learn about objects, robots are still unable to re-use their prior tactile experience while learning new objects. In order to tackle this problem, we developed the first tactile transfer learning algorithm to enable robotic systems to autonomously exploit their prior tactile knowledge while learning about a new set of objects. Moreover, we improved this strategy by combining the previously proposed active learning, active object discrimination method, and the tactile transfer learning. This new algorithm named as active tactile transfer learning is to further reduce training samples by strategically selecting and exploiting relevant prior tactile knowledge. We also introduce novel tactile- based strategies for detecting slips and regulating grasping forces to enable robots to safely manipulate deformable objects with the dynamic center of mass. Our proposed method does not require any prior knowledge of the contact surface and friction coefficient. Recent advances in tactile sensing have opened up new pathways for humanoids to more accurately communicate with humans. Through tactile interaction, various touch modalities may be carried out; a robot may be patted, slapped, punched, or tickled. For any robotic system that is to work closely with humans, evaluation and classification of these touch modalities are vital. Taking advantage of our proposed tactile descriptors, we present a novel approach for touch modality identification during the tactile human-robot interaction.     «

Sense of touch plays an important role in our daily lives from grasping and manipulating to identifying and interacting with objects. For robotic systems that interact with dynamic environments, it is crucial to recognize objects via their physical properties. However, this is difficult to achieve even with advanced vision techniques due to occlusion and poor lighting conditions. Tactile sensing instead, can simultaneously provide rich and direct feedback to the robotic systems. The performance...     »

Der Tastsinn spielt eine wichtige Rolle in unserem Alltag: vom Greifen und Handhaben von Objekten bis hin zu ihrer Identifikation und dem Interagieren mit ihnen. Für Robotersys- teme, die mit einer sich ständig verändernden Umgebung interagieren, ist es entscheidend, Objekte anhand ihrer physikalischen Eigenschaften zu erkennen. Allerdings ist das selbst mit den modernsten visuellen Techniken nicht einfach, besonders bei verdeckten Gegenständen und schlechten Lichtverhältnissen. Die haptische Wahrnehmung kann stattdessen gleichzeitig direkte und aussagekräftige Informationen an das Robotersystem liefern. Der Erfolg bisher postulierter haptischer Methoden zur Objekterkennung war stets von der haptischen Merkmalsextraktion und der eingesetzten Lernmethode abhängig die jeweils nur für individuelle Versuchsaufbauten eingesetzt werden konnten. In dieser Arbeit postulieren wir neuartige haptische Deskriptoren, die unabhängig von der Struktur des Objekts, des Typs und der Anzahl der haptischen Sensoren des Robotersystems, zuverlässige Ergebnisse liefern. Bisher haben Forscher verschiedene Robotersysteme und haptische Sensoren verwendet, um Gegenstände passiv zu lernen und sie voneinander zu un- terscheiden, indem sie auf zuvor gleichartig gesammelte Trainingsversuche offline zurück- greifen. Jedoch variiert der Informationsgehalt solcher Daten. Einige Gegenstände sind durch ihre ausgeprägten tastbaren Eigenschaften einfach zu unter- scheiden, was das Sammeln zahlreicher Trainingsversuche überflüssig macht. Im Gegensatz zu bisherigen Studien, postulieren wir zum ersten Mal ein vollständig probabilistisches auf Haptik basierendes System, bestehend aus einer aktiven Erkundung des Arbeitsbereichs vor der Berührung des Objekts und einer aktiven haptischen Objekterkennungsmethode. Dabei erkunden die Roboter vor der Berührung sehr effektiv den unbekannten Arbeitsraum, um die Anzahl der Objekte, deren Lage und deren Orientierung einzuschätzen. Mit Hilfe des “active touch” Lernalgorithmus lernen die Robotersysteme sehr effizient und mit der geringstmöglichen Anzahl an Trainingsversuchen durch die physikalischen Eigenschaften viel über die Objekte. Weiterhin präsentieren wir ein umfassendes haptisches auf Berührung basierendes proba- bilistisches System, welches aus aktiver Erkundung des Arbeitsbereiches, aktiver Unterschei- dung von Objekten, sowie aktiver Zielobjektsuche besteht. Indem es sich den bereits bekan- nten aktiven haptischen Objekterkennungs-Algorithmus und den neuen Algorithmus zur ak- tiven Objektunterscheidung zu Nutze macht, kann das Robotersystem effizient Objekte un- terscheiden, sowie gezielt nach spezifizierten Objekten suchen, indem es strategisch die opti- malen exploratorischen Handlungen auswählt. Ebenso führen wir eine neu entwickelte haptische Methode zur Erkennung des Massen- schwerpunktes von starren Objekten ein. Obwohl verschiedene Strategien präsentiert wur- den, mit deren Hilfe Robotersysteme Objekte erlernen sollen, sind Roboter immer noch nicht in der Lage, ihre vorherigen haptischen Erfahrungen bei der Erkundung neuer Objekte zu nutzen. Um dieses Problem zu lösen, haben wir erstmalig einen “transfer learning” Algorith- mus entwickelt, der es Robotersystemen ermöglicht, ihre vorherigen haptischen Kenntnisse zu nutzen, um neue Objekte kennenzulernen. Weiterhin haben wir diese Strategie verbessert, indem wir das bereits bekannte aktive Lernen, das aktive Unterscheiden von Objekten mit dem haptischen “transfer learning” kombinieren. Dieser neue Algorithmus, welcher “active tactile transfer learning” genannt wird, ermöglicht es, die Zahl an Trainingsversuchen zu reduzieren, indem bereits erlernte haptische Informationen strategisch ausgewählt und genutzt werden. Des Weiteren stellen wir ein neues haptisches System vor, das ein Abrutschen erkennen kann und die Greifkraft so reguliert, dass Roboter auch verformbare Objekte mit einem verän- derlichen Massenschwerpunkt sicher handhaben können. Unser System benötigt bezüglich der Kontaktfläche und des Reibungskoeffizienten keine Vorkenntnisse. Neueste Fortschritte in der haptischen Wahrnehmung haben den humanoiden Robotern neue Wege eröffnet, genauer mit Menschen zu kommunizieren. Durch haptische Interaktion können verschiedene Arten der Berührung ausgeführt werden; ein Roboter kann getätschelt, geschla- gen oder gekitzelt werden. Die Evaluation und Klassifikation dieser Berührungsarten ist von entscheidender Bedeutung für jedes Robotersystem, das eng mit Menschen zusammenarbeiten soll. Indem wir uns die entwickelten haptischen Deskriptoren zu Nutze machen, präsentieren wir eine neue Herangehensweise zur Identifizierung von Berührungsarten bei der haptischen Interaktion zwischen Mensch und Roboter.     «

Der Tastsinn spielt eine wichtige Rolle in unserem Alltag: vom Greifen und Handhaben von Objekten bis hin zu ihrer Identifikation und dem Interagieren mit ihnen. Für Robotersys- teme, die mit einer sich ständig verändernden Umgebung interagieren, ist es entscheidend, Objekte anhand ihrer physikalischen Eigenschaften zu erkennen. Allerdings ist das selbst mit den modernsten visuellen Techniken nicht einfach, besonders bei verdeckten Gegenständen und schlechten Lichtverhältnissen. Die haptische Wa...     »