为了有效地与周围环境互动，机器人应该能够像人类一样，通过触摸来识别不同物体的特征。这将使他们能够更有效地抓住和管理物体，利用传感器收集的反馈来调整他们的抓取和操纵策略。

考虑到这一点，世界各地的研究小组一直在尝试开发技术，通过分析传感器收集的数据，给机器人一种触觉，其中许多数据是基于深度学习架构的使用。虽然这些方法中的一些是有希望的，但是它们通常需要大量的训练数据，并且并不总是能很好地概括以前未见过的对象。

苏黎世联邦理工学院的研究人员最近引入了一种新的基于深度学习的策略，这种策略可以在机器人中实现触觉感知，而不需要大量的真实世界数据。他们的方法，在arXiv上预先发表的一篇论文中有所概述，需要完全根据模拟数据训练深度神经网络。

进行这项研究的研究人员之一卡罗·斯菲拉兹表示，“我们的技术从数据中学习如何预测物体与传感表面接触时所施加的力的分布，到目前为止，这些数据(数量级为数万个数据点)需要在几个小时的实验装置中收集，这在时间和设备方面都很昂贵。在这项工作中，我们完全在模拟中生成数据，在现实世界中部署我们的技术时保持了较高的传感精度。”

在他们的实验中，斯菲拉兹和他的同事使用了他们用简单和低成本的元件制造的传感器。这个传感器由一个放置在软材料下面的标准摄像机组成，软材料包含随机散布的微小塑料颗粒。当一个力施加到它的表面时，软材料变形并导致塑料颗粒移动。这个动作然后被传感器的摄像机捕捉并记录下来。

斯菲拉兹解释道，“我们利用运动粒子产生的图像模式来提取导致材料变形的力的信息，通过将粒子密集嵌入材料中，我们可以获得极高的分辨率。由于我们采用数据驱动的方法来解决这一任务，我们可以克服与软材料接触建模的复杂性，并高精度地估计这些力的分布。”

本质上，研究人员使用最先进的计算方法创建了传感器软材料和摄像机投影的模型。然后他们在模拟中使用这些模型，创建了一个包含13448张合成图像的数据集，这是训练触觉感知算法的理想数据集。他们能够在模拟中为他们的触觉感知模型生成训练数据，这是非常有利的，因为这使他们不必在现实世界中收集和注释数据。

斯菲拉兹说: “我们还开发了一种转移学习技术，允许我们在现实世界中生产的触觉传感器的多个实例上使用相同的模型，而不需要额外的数据。” 这意味着每个传感器的生产成本更低，因为它们不需要额外的校准工作。”

研究人员使用他们创建的合成数据集来训练一个用于基于视觉的触觉感知应用的神经网络体系结构，然后在一系列测试中评估其性能。该神经网络取得了显著的效果，即使经过仿真训练，也能对真实数据做出准确的传感预测。斯菲拉兹说:“我们训练的定制神经网络结构也显示出了在其他情况下使用的非常有希望的推广可能性，当应用于与我们模拟中使用的数据非常不同的数据时，例如，用于估计与单个或多个任意形状的物体的接触。”

在未来，由斯菲拉兹和他的同事开发的深度学习架构可以为机器人提供人工触觉，潜在地增强它们的抓取和操纵技能。此外，他们汇编的合成数据集可以用来训练其他触觉感知模型，或者可以启发创建新的基于模拟的数据集。斯菲拉兹说，“我们现在想评估我们的算法在任务中的应用，这些任务涉及到与复杂物体的非常普遍的交互，我们也在努力提高它们的准确性，我们认为，这种技术在应用于现实世界的机器人任务时会显示出它的优势，比如涉及对玻璃或鸡蛋等易碎物体进行精细操作的应用。”