與人類一樣，機器人的觸控感測（Touch Sensing）能夠幫助機器人理解現實世界中物體的互動行為，這些行為取決於其重量和剛度，取決於觸控時表面的感覺、接觸時的變形情況以及被推動時的移動方式。只有給機器人也配備先進的觸控感測器 --- 即 “觸覺感測（Tactile Sensing）” 系統，才能使其意識到周圍的環境，遠離潛在的破壞性影響，併為後續的手部操作等任務提供資訊。然而，目前大多數機器人互動式技術系統由於缺乏對觸覺感測技術的有效應用，其動作不準確、不穩定，互動過程“笨拙”，極大地限制了他們的互動和認知能力。
我們在這篇文章中重點關注人類和機器人的觸覺感測問題。首先，我們討論人類 "觸覺" 的生理和編碼方式，及其在傳遞觸覺資料等任務中的重要性。然後，在分析人類觸覺的基礎上探討機器人 “觸覺感測” 系統的構建，特別是觸控感知（Tactile Perception）的方法和應用。最後，具體分析兩篇關注在具體應用場景中向機器人引入觸覺感測技術的文章。
一、人類「觸覺」
首先，我們來分析人類的觸覺究竟是什麼。人類的 “觸覺” 包括兩個主要的亞型，即 “皮膚（Cutaneous）” 和“動覺（Kinesthetic）”。兩者主要是基於感覺輸入的部位來區分的：皮膚感覺接收來自嵌入皮膚的受體的感覺輸入，而動覺感覺接收來自肌肉、肌腱和關節內的受體的感覺輸入。在這兩個亞型的基礎上，研究人員區分定義了皮膚（Cutaneous）、動覺（Kinesthetic）和觸覺（Haptic）三種感覺系統。其中，皮膚系統包括與刺激物的身體接觸，並透過中樞神經系統（central nervous system，CNS）皮膚和相關體感區的受體提供對身體外表面刺激的感知；動覺系統主要來自肌肉、關節和皮膚的傳入資訊以及大腦可用的肌肉效能的相關聯絡來提供有關靜態和動態身體姿勢（頭部、軀幹、四肢和末端執行器的相對位置）的資訊；觸覺系統利用的則是來自皮膚和動覺系統的關於物體和事件的重要資訊。
人類的觸覺透過分佈在全身不同密度的大量受體（如壓力 / 振動的機械感受器、溫度的熱感受器和疼痛 / 損傷的痛覺感受器）處理對外部刺激的時空感知。對機械刺激的反應是由植入皮膚不同深度的機械感受器介導的。這些受體的分類、功能和位置如圖 1 所示 [1]。這些受體具有不同的感受野（受體反應的身體區域的範圍）和不同的適應率。一個快速適應（fast-adapting，FA）受體在第一次被施加刺激時就會立刻產生動作電位的爆發。相反，對於慢適應（slow-adapting，SA）受體來說，在刺激與其感受野接觸的整個時期內它都是活躍的狀態。對熱刺激的反應被認為是由皮膚中單獨的“熱” 和“冷”的熱受體群體介導的。此外，科學家還在體外和體內對人體皮膚樣品進行了研究，發現不同受體對外界刺激的反應本質上是熱電性和壓電性的。
圖 1. （a） 無毛皮膚切片，顯示各種機械感受器的物理位置和分類；（b） 從指尖到大腦體感區的觸覺訊號傳遞；（c） 觸覺訊號從接觸點傳遞到大腦過程中的功能事件，為了簡單起見，訊號流是單向的
從皮膚受到刺激的那一刻起直到產生感知，會發生各種複雜的機械、感知和認知現象。圖 1 給出了一個事件序列示例。當皮膚與物體接觸時，它會與物體表面保持一致，即保持相同的區域性輪廓，從而將變形投射到大量的機械感受器（受體的一類）上。因此，每個機械感受器都能表徵物體的一小部分，並將時空觸覺資訊編碼為響應於刺激大於閾值時產生的動作電位電壓脈衝的峰值。刺激的振幅隨後被轉換成一系列動作電位，這一步驟類似於用模數轉換器將模擬訊號數字化和編碼過程。
時空限制和對機械刺激的敏感性直接影響人類的物體識別能力和方向敏感性等。皮膚感覺的模式感知能力受到其空間和時間敏感性的限制，因為它們在皮膚處理的早期階段就透過時空過濾來量化資訊的丟失或模糊程度。這種效應可以用來定義機器人觸覺感測的 “串擾” 極限。
人類善於透過觸控來識別普通物體，而物體的材料屬性、形狀等線索識別的結果都是至關重要的。皮膚、動覺都有助於感知這些線索。不過，人類的觸覺感知更適合於感知物體的物質屬性，而不是感知物體的形狀，特別是在當物體較大、超過了手指接觸區域大小（7-12 mm）的情況下。不過，對手指接觸區域內的物體進行形狀（Shape）檢測是機械感受器的一項重要功能。
此外，粗糙平滑（roughness-smoothness）是另一個重要的感知維度。神經生理學研究表明，觸覺粗糙度知覺是由 SA 傳入神經放電的空間變化準確預測的，因此，它是多種觸覺要素的函式。
對物體滑脫（Slip）的檢測可以看作是皮膚受體對運動的編碼。表面和皮膚之間的滑動或相對運動對於感知粗糙度、硬度和形狀非常重要。滑脫作為一種誤差訊號，在人的握力控制中起著重要作用。物體接觸表面的觸覺反饋會影響對支撐物體的力的感知。除了大小之外，力的方向對於處理形狀不規則的物體同時保持所需的方向也是至關重要的。在運動控制中，觸覺資訊在控制伸手抓握動作的執行中起著重要作用。準確地抓住一個物體不僅需要精確地控制手指肌肉的活動強度，而且還需要精確地控制其在不同抓取階段的時間程序或持續時間。缺乏觸覺感知會延長抓握的手指張開階段的持續時間，從而削弱抓握的控制。最後，人類透過皮膚這種介質將接觸壓痕轉化為應力 / 應變。人體皮膚具有多層性、非線性、非均勻性和粘彈性，它是一個由肌肉和脂肪組成的可變形系統支撐的複雜結構。不同的皮膚層有不同的剛度。有了這些特性，皮膚力學就在觸覺感知中發揮重要作用。
但是，需要指出的是，人是一個完整的、多層次的、綜合的系統，“觸覺”並不是孤立的。人類感知一個刺激物依賴的是多個感官資訊的集合，如觸覺、視覺、聽覺等。有時，不同感覺方式的輸入效果是相互矛盾的，此時，人需要判斷這些不同的感覺方式所輸入的訊號的關係和正確性。而在更多其它的時候，人類的感知是由不同感官輸入訊號的綜合體。即便僅涉及一個單一的輸入模態，人類對一個物體的感知也可能是由於它的子模態的綜合作用所得到的。多個來源的感官資訊的組合與整合能力是實現穩健的人類感知的關鍵，因為它最大限度地利用了來自不同感官模式的資訊，從而提高了感官估計的可靠性。
二、機器人「觸覺感測」
對應於人的觸覺，機器人的觸覺感測（Tactile Sensing）系統就是一種可以透過接觸來測量物體給定屬性的裝置或系統。一般來說，機器人的觸覺感知與在預定區域內的力的測量有關。為了改進機器人的應用效果，也應當為機器人配備先進的觸覺感知系統，以使其能夠感知周圍環境，遠離潛在的破壞性影響，併為後續任務（如手部操作）提供有效資訊。
機器人觸覺感測有著眾多應用場景：比如在操作任務中，使用觸覺資訊作為機器人的控制引數，例如，接觸點估計資訊、表面法向和曲率等；在抓握任務中，透過測量法向靜態力來檢測物體滑動情況，例如，將接觸力的測量值用於輔助抓握力控制，這對於機器人保持穩定抓握至關重要；在機器人的靈巧操作任務中，判斷施加操作用力的方向也是至關重要的，例如，透過調節法向力和切向力之間的平衡，能夠保證抓握的穩定性。
圖 2 給出了一個在指尖、指骨和手掌上配置觸覺感測器的機器人手示例[3]。具備高空間和時間解析度的觸覺感測器為手部提供了豐富的觸覺資訊，進而用於輔助機器人執行復雜任務，例如，探索未知物件、工具使用和手部操作等。
圖 2. 陰影靈巧手（左）被觸覺皮膚覆蓋（中間），以便在多個位置提供觸覺資訊（右側渲染圖中突出顯示的綠色區域）[3]
觸覺感測器也可以嵌入機器人的其他身體部位，如手臂、軀幹（圖 3 中 NAO 機器人示例）、腿和腳。由這些部位反饋的觸覺資訊與輔助機器人繞行障礙物、完成人機互動和移動等任務密切相關[3]。
圖 3. NAO 類人機器人覆蓋著一層多模人造機器人皮膚，提供振動、溫度、力和接近資訊[3]
文獻 [2] 引入了觸覺感測，結合傳統的視覺和聽覺，機器人的感知 - 控制 - 行為的架構系統以圖 4 的形式展示出。其中，左側圖表示將觸覺感知過程被劃分為功能塊，在不同的層次上描述感測過程、感知和控制行為。圖 1 的右側示出了與這些功能塊相對應的硬體的結構塊。感測過程（Sensing）將外界刺激（如壓力、振動和熱刺激）轉化為觸覺感測器感測元件的變化。利用嵌入式資料處理單元採集、調節和處理這些資料，然後將其傳輸到更高的感知層（Perception）。感知層的任務是構建用於生成感知互動物件特性（如形狀和材料特性）的模型。在感知階段，觸覺還可能還會與視覺和聽覺等其他感知方式相融合（Fusion）。最終，在控制層（Action）中機器人根據融合的知識執行控制命令，使用控制器完成動作。
圖 4. 機器人觸覺感測系統的層次功能（左）和結構（右）框圖 [2]
2.1 感測層（Sensing）
感測層是整個觸覺感測系統中最底層的處理結構，根據感測過程對應的身體部位，主要劃分為以下三類：
單點接觸式感測器（類似於單觸覺細胞）：這種感測器用於確認物體與感測器的接觸，並檢測接觸點處的力或振動。根據感測方式，單點接觸感測器可分為：1）用於測量接觸力的力感測器；2）用於測量接觸過程中振動的仿生晶須，也稱為動態觸覺感測器；
高空間解析度觸覺陣列（類似於人類的指尖）：這種型別的觸覺感測器是目前觸覺感測研究中採用最多的感測器，例如基於光纖的觸覺感測元件的觸覺陣列、基於 MEMS 氣壓計的觸覺陣列感測器和基於嵌入式相機的指尖感測器等；
大面積觸覺感測器（類似於人類手臂、背部和其他身體部位的皮膚）：與指尖觸覺感測器不同，這種型別的感測器並不需要強調高空間解析度的特性。對它們來說，更重要的是足夠靈活，以及可以連線到機器人彎曲的身體部位。
2.2 感知層（Perception）
觸覺感知（Perception）是指透過解釋和表達觸覺資訊來觀察物體特性的過程，也是機器人觸覺感測中重點關注的研究內容。由圖 2 可知，感知位於感測層之上，為控制層提供有用的、面向任務的資訊。與觸覺感測器的快速發展相比，對觸覺感測器產生資訊的理解（觸覺感知）發展尚不成熟。目前針對觸覺感知的研究主要包括物體識別、形狀識別、姿態識別、感知融合等。
[物體識別]
物體表面的材料特性是機器人與周圍環境進行有效互動所需要的最重要的資訊之一。視覺（Vision）一直是識別物體材料最常用的方法。然而，光憑視覺只能識別出一種已知的表面材料，而不能估計其物理引數。在這方面，必須引入觸覺來判斷材料特性。輔助觸覺物體識別的資訊包括物體的表面紋理（Surface texture）、物體剛度（Object stiffness）等。
[形狀感知]
形狀感知是機器人識別或重建物體形狀的能力。在不同的機器人任務中，形狀感知的目標不同，例如，捕捉精確的形狀，形狀元素或整體輪廓分類等。形狀感知能力對於機器人執行任務（如抓取和手部操作）的完成效果至關重要。獲得的物體形狀資訊越完整，機器人就越有能力規劃和執行抓取軌跡和操縱策略。
經典的形狀識別研究主要是基於視覺的方法。然而，當存在遮擋或光照條件較差時，機器人是無法觀察到視覺形狀特徵的。相比之下，觸覺物體的形狀感知並不受這些因素的影響，可以透過感測器與物體的相互作用來判斷物體的細節形狀。此外，近年來高效能觸覺感測器的大規模量產進一步促進了透過觸覺識別物體形狀的演算法的推廣。
形狀感知演算法主要包括區域性形狀感知和全域性形狀感知兩類。區域性形狀感知類似於人類皮膚的觸覺感覺，全域性形狀感知則是皮膚和動覺共同反饋作用的結果，例如對超出指尖範圍的輪廓的感知。在一些機器人內建的內部感測器中，例如關節中的本體感受器，常被用來獲取手指 / 末端執行器的位置和運動，透過將這些手指 / 末端執行器與區域性特徵結合起來以識別物體。
[姿態識別]
機器人實現對物體的操縱需要以精確和及時地估計物體的姿態為前提。一般情況下，使用物體（物件）相對於機器人末端效應器或全域性座標系的位置和方向描述其姿態。針對物體位置的估計即使存在很小的誤差，也會導致機器人手指在物體上的位置不正確，從而產生關於抓握穩定性的錯誤假設，並影響操作任務的成功。因此，魯棒、準確和快速地感知物體的姿態是任何複雜的抓取和操縱系統的關鍵部分。
機器人學中最常用的估計物體姿態的方法是使用計算機視覺。然而，當機器人接近要操縱的物體時，會存在遮擋的現象，進而影響視覺估計的效果。為了解決這一問題，研究人員透過引入觸覺感測系統來幫助機器人確定被觸控物體的姿態。根據感測層輸入的不同，姿態識別方法主要包括單點接觸式感測器和觸覺感測陣列。
[感知融合]
機器人必須配備不同的感測方式，才能在非結構化環境中工作。將這些不同來源的資料融合成更有意義的、更高層次的狀態表徵也是感知過程的一部分。多個感測器可以提供更及時、成本更低的資訊。此外，由於感測器的工作速度不同，可以並行處理它們的資訊。
在需要與環境互動來完成的任務中，可以將觸覺感知與其他感知方式相結合，以提高任務完成的準確度和魯棒性。典型的感知融合方式有觸覺感知與視覺、動覺線索、力矩和距離感測的結合等等。
2.3 控制層（Action）
最後，我們從控制層的角度討論觸覺感測技術在機器人中的應用。豐富的觸覺資訊能夠為執行觸覺相關任務提供多種可能性，包括：觸覺探索、抓取、手部操作、移動、工具操作、人機互動和無意識操作等[3]。
[觸覺探索（Tactile Exploration）]
觸覺探索是一種透過觸覺提取未知物體屬性的有效方法。人類透過多種探索方法來獲得關於物體的知識，例如側向運動、壓力、封閉、輪廓跟蹤、物體部分運動測試和啟示性測試等。受到這些人類行為的啟發，研究人員開發了多種基於觸覺的探索方法用以估計機器人的控制引數，包括物體表面幾何結構、材料屬性、形狀等。
觸覺感測在機器人觸覺探索中的另一個代表性應用是觸覺伺服控制（Tactile servoing control），即透過單個或多個接觸區域內得到的物體相關資訊以確定期望的機器人與物體的接觸模式（接觸模式是指接觸位置和力）。例如，可以使用觸覺陣列透過執行滑動和滾動動作來探索物體的表面特徵，從而透過最小化觸覺模式的偏差來控制動作。這種方法也可用於控制機器人手進行探索，控制器利用手部多個接觸區域，探索未知物體的表面，提高機器人的抓取能力。
[無意識操作（Nonprehensile Manipulation）]
無意識操作主要是指在沒有明確抓取任務的情況下機器人與物體之間的互動。這種型別的操作包括推、戳、打、鉤、旋轉、翻轉、投擲、擠壓、旋轉和打擊等。無意識操作中的觸覺感知通常用於對接觸過程進行建模，並提供低水平的反饋控制，以及監控動作狀態和估計物體屬性等。
[抓取（Grasping）]
抓取是機器人操作中研究最廣泛的一個方面，它為機器人提供了對被抓取物體的控制能力，是機器人使用工具的一個常見先決條件。與觸覺探索相似，觸覺抓取是提取物體屬性的重要方法。觸覺感知也被用於分析型抓取控制器、資料驅動抓取合成、抓取結果檢測和重抓取等控制器中。分析型抓取控制器依賴於準確的接觸位置、法向和力估計來計算最大化抓取質量指標的抓取姿勢。而在資料驅動的方法中，機器人使用先前抓取的接觸和物體資訊來預測抓取質量並計算重抓取的姿勢。一旦抓住了物體，觸覺反饋可用於控制接觸力並檢測初始滑動。透過使用觸覺資料檢測或預測初始滑動，機器人可以自動增加抓地力以避免較大的滑動，而無需明確估計物體 - 手指摩擦係數。
[手部操作（In-Hand Manipulation）]
在手部操作中，使用機器人手的靈巧性來改變被抓取物體的狀態，此時，機器人多采用的控制器包括多指機械手（Multifingered Robot Hands）、夾持器（Grippers）等。為了在保持接觸的同時進行區域性重新定位，首先要將物體精確地抓住，然後再使用機器人的指尖移動物體。觸覺感測用於估計接觸和物體資訊，並主動控制手指和物體之間的接觸。觸覺感測也可用於直接學習從接觸感測器資訊到機器人手指所需關節速度的對映。
為了進一步移動物體，機器人需要用手指在不同的抓握之間進行切換，同時保持手中的物體不掉落。為此，手指需要透過觸覺感應來檢測手和物體之間的縫隙情況，以及接觸物體的情況，從而有效地在物體表面滑動。為了更進一步的模仿人類，可以透過在受試者的手上安裝觸覺指套來獲得帶有觸覺訊號的滑動行為演示，用於控制機器人。
[工具操作（Tool Manipulation）]
工具操作是許多機器人操作任務中都具有的一個內容。在工具操作中引入觸覺感知的一個重要前提是，任務接觸必須位於物體和手持工具之間。因此，除非工具本身裝有儀器，否則觸點不會直接位於觸覺感測器上。觸覺感知可用於檢測工具上的接觸，定位工具提示和被操作工具的其他重要內容，監控任務進度和檢測操作失敗等任務。觸覺反饋還可以用來估計和保持接觸點的方向和力，以執行後續的控制任務。觸覺感知也可用於雙臂裝置，以估計抓取工具的運動引數。
此外，觸覺感知還可以用於控制和使用未知工具。在這類任務中，主要的挑戰是沒有運動學或動力學操作模型可以直接用於計算給定任務的觸覺動作資訊。此時，可以引入基於資料驅動的方法作為一種隱式計算操作命令的有效方法。
[運動（Locomotion）]
觸覺感知不僅對完成操作任務有用，對於引導和實現機器人運動也是非常有效的。地面車輛和步行機器人，如人形機器人、四足動物、六足動物和蛇形機器人，都需要利用與環境的接觸來移動。觸覺感知為完成這些任務提供了對機器人狀態和環境地形的估計。例如，輪式機器人可以使用觸覺感知來監測它們與地面的接觸。來自車輪中麥克風或加速計的振動訊號可用於確定地形型別。
保持平衡是機器人站立和行走的關鍵部分。為了保持平衡，機器人需要使用觸覺感知來估計其支撐的接觸位置，以及檢測可能導致其失去平衡的障礙物和其他擾動。觸覺感知還可用於學習站立時的觸覺運動對映。機器人步行階段之間的轉換通常由接觸事件所觸發，例如腳後跟與地面的接觸。在這種場景中可以應用觸覺感應來判斷機器人的腳應該放在哪裡，此時透過估計地形型別，機器人可以生成合適的步態並切換到合適的腿部控制器。
[人機互動（Human–Robot Interaction，HRI）]
除了與無生命物體和地形互動外，機器人還需要與人類進行物理互動。HRI 的應用範圍廣泛，包括穿上衣服、移交物品、與協作機器人的安全互動等。在這些任務中，機器人需要確保相互作用的力是安全的，並且其發出的力量能夠適應人體。
最新的 HRI 研究進展是探索從觸覺感知的反饋中推斷人類的潛在狀態和意圖。例如，在移交過程中，機器人可以利用視覺和觸覺反饋來確定人類何時有合適的抓地力並準備好接受物件。類似的，在執行協作任務時，如搬運大型物品，機器人透過手腕上的力 / 力矩感測器測量互動力和扭矩，以執行任務並做出相應的反應。
除了執行任務外，HRI 還可以用來教機器人從演示中獲得新技能。透過這種方式，機器人可以直接由人類使用力控制器引導。例如，穿衣是日常生活中的一項基本任務，開發穿衣機器人可以為運動障礙患者提供幫助。利用觸覺資訊，機器人可以調整以減小對人的姿態估計中的誤差，並在提供穿衣輔助的同時，實時跟蹤該人的輪廓和動作。
基於前面關於人類觸覺和機器人觸覺感測的討論，以下準則可以作為一般機器人系統中觸覺感測設計的參考[1]：
隨著功能劃分的多樣化和分散式接收器的出現，可以向機器人中引入不同型別的小型感測器，其中每種感測器都能以最佳方式測量特定的接觸引數，例如，接觸力和硬度檢測、測量多個接觸引數的觸覺和熱感測器等等。
在設計機器人的過程中，可以基於身體部位將觸覺感測器的空間解析度分佈或排列成一個陣列。例如，對於指尖可以設定為 1 毫米左右，相當於指尖大小區域上大約 15×10 個元素的網格；對於手掌和肩膀等不太敏感的部分，可以設定到 5 毫米。
感測器應具有高靈敏度和寬動態範圍，還應該能夠測量力的方向。這一點很重要，因為一般來說，機器人並不掌握真實世界物體的先驗模型。
為機器人所設計的觸覺感測器應該具備快速響應的功能。如果觸覺反饋用於機器人控制，這一點尤為重要。在機器人應用的控制迴路中引入觸覺感知是很重要的，因為從人工肌肉或動覺單獨獲得的接觸資訊不足。人體皮膚中不同的機械感受器響應的訊號頻率範圍可用於設定感測器的響應時間要求。一般來說，對於實時接觸，每個觸控元件的響應速度應為 1ms。
對於人類來說，觸覺資料並不是直接傳送到大腦的。相反，一些處理是在不同層次上進行的，以適應人類神經系統有限的吞吐量。因此，為了減少機器人傳遞到中央處理器的資訊量，對於大型觸覺陣列或模組來說，在感覺位置進行某種程度的預處理（資料選擇、區域性計算等）是很重要的。這樣的架構將解放 “機器人大腦” 進行更智慧的工作。或者，它可以將系統擴充套件到幾乎任何數量的感測器中。
可以將感測器的彈性覆蓋層設計成在皮膚中有中間和乳頭狀突起的結構。透過將應力集中在感測元件上，這種結構還可以補償彈性材料的模糊效應。彈性材料表面的乳頭狀脊狀紋理增加了可檢測性。
生物感測器可以獲得像物體的詳細輪廓這樣的資訊，因為皮膚是柔順的，並與物體保持一致。因此，機器人支架應堅固、靈活、舒適、可伸展和柔軟，從而能夠承受溫度、溼度、化學應力、電場、突然力等惡劣條件。當它們分佈在身體上時，生物感測器不應顯著增加機器人連桿 / 部件的直徑 / 厚度。
三、「觸覺感測」技術應用
3.1 基於粘著控制摩擦的工業夾具的改進（Improving Industrial Grippers With Adhesion-Controlled Friction）[4]
在製造業中，有效地處理精密物體是一個具有挑戰性的問題。實現穩定的抓取、同時避免施加過大的抓取力是在精密儀器處理任務重引入機器人操作的重要目標。例如，在處理易碎物品時，機器人必須將施加在抓取物體上的力降到最低，以防止損壞。再比如，處理可變形物體時，要做到不擠壓就可以抓取物體，以保持物體的形狀或表面特性等特徵。
人類在處理類似的問題時，能夠根據對物體重量和初次接觸時形成的摩擦特性的估計，快速調整抓地力。針對這些刺激，人類能夠做到只應用最小的力加上適度的安全空隙程度來執行基本的操作而不會滑脫。這種策略使得人能夠有效地與易碎和可變形的物體進行互動。相比之下，大多數機器人很難預測和維持抓住精密物體所需的最小力。
與傳統的使用專門夾具或控制方案的方法不同，本文提出了一種將壁虎式定向粘合劑貼上到工業機器人夾持器和觸覺感測器上的解決方案用以完成機器人處理精密物體的任務。作者將定向的、受到壁虎特性啟發的粘合劑整合到商業夾持器的鉗口中，使其能夠抓住非常精細的物體，並以較小的抓握面積抵抗大的發力瞬間，具體見圖 5。
圖 5. 工業機器人，利用壁虎啟發的粘合劑排列在抓爪墊上，可以抓握和操縱腐爛的番茄。它也可以施加相當大的扭矩，僅使用其接觸面的 3/4
3.1.1 方法簡述
摩擦力通常有兩種：一個是由於分子的吸引力和遲滯，另一個是由於分子相互碰撞造成的。前者是一種粘附控制元件，它取決於分子尺度上的實際接觸面積。後者是一個負載控制部件，它依賴於法向力。對於大多數硬材料，前一部分可忽略不計，後一部分提供了最大摩擦力，該摩擦力隨施加的載荷線性增長。具體見下式：
其中，f_t 表示切向力，f_n 表示法向力，μ表示摩擦係數。對於壁虎式膠粘劑，即使在正常力的作用下，面積依賴性部分通常占主導地位。在靜態條件下，期望的粘接劑的切向力為正法向力是：
其中，p(x,y)表示觸點給定位置處的壓力，c_1 和 c_a 為常數，A 為接觸面積。同樣，在靜態條件下，關於垂直於指尖表面的軸的力矩應為：
其中，r=[x,y]表示從 A 的壓力中心到 A 中每個元素的向量。本文工作涉及定向粘合劑，因此常數 c_a 表示粘合劑的首選載入方向與施加切向力的角度之間的函式：c_a(φ)。具體的，圖 6 示出定向粘合劑的兩種可能的設定方案。
圖 6. 機器人從其重心處撿起物體的圖畫。底部：指尖覆蓋 a）均勻對齊的直楔（θ=0°）和 b）楔體旋轉 ±θ度的人字形圖案所產生的力和扭矩。插圖 c）顯示了墊上壁虎材料的細節，以匹配 b）的人字形圖案排列。
如果夾持器只需要在一個方向上施加切向力，例如在透過抓住物體的質心來提升物體時，使定向粘合劑與提升方向平行是最有效的方法。然而，操縱通常涉及到圍繞多個軸旋轉抓取的物件。此外，這些物體可能是不均勻的，或者可能無法沿著它們的中心線抓住它們。因此，如圖 6 所示，單機械手的抓取嘗試通常會引入與物體接觸點有關的力矩。然而，當試圖最小化抓取力時，有可能發生滑動。一個力矩在旋轉中心周圍形成一個圓形的剪下力模式，其中只有一小部分與粘合劑的最強方向對齊。
為了補償上述效果，可以安排具有多個取向的小面積定向粘合劑。圖 7 示出了幾種不同模式的預期結果，假設粘合劑在φ=0 時具有最大強度，正交方向φ=±90° 處具有最小強度。圖的色標與φ呈線性分佈，φ被定義為粘合劑的首選方向與實際載入方向之間的夾角[見圖 7（d）]。
圖 7. 當產生純逆時針扭矩（a-c）或純向上切向力（b-d）時，直線（a-b）和定向（c-d）壁虎粘合劑設計的效率圖比較。半透明箭頭指示壁虎粘合劑的首選載入方向
由圖 7 中還可以看出，θ通常應根據指尖的尺寸進行調整。此外，對於矩形表面上的最佳力矩補償，無論切向力補償如何，都應使楔塊朝向如下：
其中，h_f 和 w_f 分別表示指端接觸區的高度和寬度。相應地選擇θ可以確保楔型與指尖的主對角線平行。
3.1.2 實驗分析
本文實驗採用圖 8 所示的實驗裝置。一個 UR-5 機器人，同時手臂配備了 Robotiq 雙指 85 夾持器和 FT-300 力 / 扭矩感應手腕。每個夾持手指都有一個 7×4 的觸覺感測器陣列和一個有圖案的定向粘合劑皮膚。這些感測器的資料與來自機器人手臂編碼器的位置和速度資訊相結合，提供了機器人抓取的動態和靜態的完整影像。作者在實驗中，製作了一組特殊的粘合表面，以實現上文介紹的微型楔塊的對角線 “人字形” 圖案。
圖 8. 機器人抓取實驗裝置
實驗中製作了多個壁虎粘合劑皮膚，皮膚兩半的方位角以 7.5° 增量變化，從θ=0° 到θ=45°，即從完全垂直於力線（Line of Force）到遠離力線 45° 的位置。接下來，使用每套壁虎膠覆蓋的皮膚進行各種實驗。實驗中設計了機器人手臂的兩種運動模式。每次執行時，亞克力板上的標稱接觸面（Nominal Surface Contact）逐漸增加，從 25% 開始，然後到 50%、75%，直至最後 100% 覆蓋（透過手動測量和預先程式設計的抓取點進行調節）。
實驗過程從一塊大約四分之一英寸厚的剛性附著的丙烯酸板開始。實驗要求是，在規定的正常力水平下，用塗有粘合劑的兩指夾持器捏住。在實驗過程中，透過調節夾持器的閉合設定值，可以改變該夾持力。作者在實驗中發現，對可用設定值的離散化處理使得在飽和致動器和感測器之前只能在四種確定的、不同的法向力之間變化，而其中只有三種可以被調節到低壓範圍內。在完成這種捏合之後，第一種運動模式是向上拉動剛性連線的丙烯酸板，從而在指尖的粘合表面上施加純剪下力。第二種運動模式是圍繞接觸面的質心旋轉，這樣一個純力矩就被施加在指尖的粘合劑上。
本文實驗給出了一個法嚮應力和剪下應力的離散化結果，對應於觸覺陣列中的單元數 N，每個區域 a_t 具有：
其中，P_i 表示每個壓電感測器的壓力，F_T 表示由手腕上的力 - 力矩感測器測量得到的切向力。圖 9（a）給出了每一組測試的圖案粘合劑的最大剪下應力和法嚮應力之間的關係。最大切向力支撐通常採用無角楔塊（在這種情況下，θ=φ=0°）。擬合冪函式清楚地顯示瞭如下趨勢：隨著θ的增大，最大容許剪下應力持續降低，逐漸改變了楔體的方向。此外，觸覺影像的標準化中心力矩由以下公式給出：
其中，{x_i, y_i}表示壓電感測器 i 相對於質心的座標。上式中分子是每個壓電感測器對腕部總測量力矩的貢獻之和，分母是壓電感測器和質心之間的平均距離。對分子進行標準化處理，以便在具有不同接觸面積值的資料之間進行更好的比較。標準化力矩由下式得出：
其中，M 是力扭矩感測器測量的力矩。圖 9（b）示出了不同θ值的最大歸一化力矩與觸覺圖的歸一化中心力矩之間的關係。與前面的情況相反[圖 9（a）]，最大允許力矩隨著θ而增大。考慮到實際接觸面積（A_r）對壓力的依賴性，曲線具有非線性性質。
圖 9. 機器人抓取實驗結果。（a） 運動 1：最大剪下應力（τ）是不同θ值下法嚮應力（σ）的函式。其中，對於每個 angle.s 資料集，一個冪函式（y=ax^b）與實驗資料相匹配，以顯示總體趨勢；（b） 運動 2：最大規範化扭矩（M），作為不同θ值的歸一化法嚮應力（μ）的函式
3.1.3 小結
由本文的工作可知，透過預先了解夾持器的效能，引入觸覺感測裝置，能夠有效將抓握力的精確應用與壁虎膠接觸效能的改進結合起來，進而減少對夾持器控制器本身的要求。例如，可以使用較小的控制器，從而使機械臂上的工具更輕、更安全。這種改變對協作機器人的實際應用是非常有利的。
關於後續工作，作者認為主要有三個方向：一是，需要針對其它材料和粗糙度的皮膚進行測試，以驗證本文實驗中觀察到的趨勢是否依然成立；二是，在非平面抓取的理想工作條件下，效能會出現多大程度的下降；三是，可以對動態情況下的抓取效果進行測試，從而驗證在複雜條件下的操作任務完成情況。
3.2 基於接觸反饋和 GPU 加速機器人模擬的手持式目標姿態跟蹤（In-Hand Object Pose Tracking via Contact Feedback and GPU-Accelerated Robotic Simulation）[5]
機器人能夠靈巧的進行操縱，得益於其對手持物體姿勢的穩健估計。然而，由於存在嚴重的遮擋問題，在機器人手握住和操縱物體時，很難跟蹤物體的姿態。為了解決機器人操作過程中的手持式（In-Hand）目標跟蹤問題，本文提出將一個 GPU 加速的高保真物理模擬器 [6] 作為前向動力學模型與基於樣本的最佳化框架相結合，以跟蹤具有接觸反饋的物體姿勢（如圖 10 所示）的方法。該方法將機器人控制器傳送到一個 GPU 加速物理模擬器中，該模擬器並行執行許多機器人的狀態模擬運算，每一個都有不同的物理引數和擾動的物體姿態。將觀察成本（如來自真實世界和模擬的接觸反饋等）傳遞給基於樣本的無導數最佳化器，該最佳化器定期更新所有模擬的狀態和引數，以更好地匹配真實世界。在任意時刻，該方法都最終選擇代價最低的模擬姿態作為當前目標的姿態估計。
無導數最佳化是數學最佳化中的一門學科，它不使用經典意義上的導數資訊來尋找最佳解：有時，關於目標函式 f 的導數的資訊不可用，不可靠或不切實際。比如本文就用取樣 (Sampling) 來更新和最佳化函式值。
圖 10. 手持式目標姿態跟蹤框架
3.2.1 方法簡述
首先，作者定義了機械手在物體操縱過程中對手持物體姿態的跟蹤問題。在某個時刻 t，物件的姿勢表示為 p_t。作者首先定義一個物理動力學模型 s_(t+1)=f(s_t,u_t,θ)，其中 s_t 表示世界狀態（剛體的位置和速度，以及關節體中關節角的大小），u_t 表示機器人控制器（使用期望的關節位置作為動作空間），θ表示模擬的固定引數（如質量和摩擦力）。
對於模擬模型 f，給定初始值 p_0、s_0、θ，只需要回放模擬中機器人的動作序列 u_t 來估計姿態。然而，由於前向模型不完善，姿態的初始值有噪聲，可以透過引入觀測反饋（觸覺感知的一種方式）來改進姿態估計。令 D 表示機器人關節的數目，L 為它的接觸感測器的數目。將觀測向量 o_t 定義為機器人 q_t 關節位置配置值的串聯結果，以及如下定義：R_t（位於指尖上）、感應接觸的力向量 c_t、接觸面 d_t 上的平移滑移方向上的單位向量，以及接觸面 R_t 上的旋轉滑移的二元方向，其中 l 表示第 l 個接觸感測器。一般的手持式姿態估計問題是：給定當前和過去的觀測值 o_(1:t)，機器人控制器 u_(1:t)，以及初始姿態 p_0，找到當前物體最可能的姿態 p_t。完整流程見演算法 1。
首先，透過一個基於視覺（Vision）的物體姿態估計器來估計物體的初始姿態。然後，在給定初始目標姿態估計和機器人配置值的情況下，初始化 K 個並行模擬，並在每一個時間步長 t 內將真實的機器人動作 u_t 複製到所有 K 個模擬中。給定一個成本函式 C，當前時間 t 的最佳姿態估計是第 i 次模擬的姿態(p_t)^(i* )，其中第 i 次模擬是在過去某個時間視窗 t 中產生最低平均成本的模擬：
使用成本定期更新模擬及其引數，從而可以更好地與真實的機器人物件系統對齊。期望的代價函式與手持式操作的物件姿態差異相關，因此，較低的成本即對應於較好的姿態估計。本文使用的成本函式的形式如下：
對於成本函式中的第一項（比較模擬環境和真實世界機器人之間的 q_t）的作用在於，即使它們共享相同的 u_t，依賴於與機器人手接觸的物體當前姿態施加的碰撞約束不同，q_t 也可能會不同。在上式中，如果接觸式感測器的力的值大於閾值，則該感測器處於接觸狀態。當第 i 次模擬的第 l 個接觸感測器的二元接觸狀態與真實接觸感測器的接觸狀態一致時，α_(i,l)為 1，否則，α_(i,l)為 0。類似的，當第 i 次模擬的第 l 個接觸感測器與實際接觸感測器在是否發生平移滑動的狀態方面都是一致的，β_(i,l)為 1，否則，β_(i,l)為 0。γ_(i,l)表徵旋轉滑動的類似情況。設定成本項的權重 w_s，使每個項的相應平均量大致歸一化為 1。
然而透過模擬進行目標姿態估計存在兩個不確定性：一是，基於視覺的姿態估計器的初始姿態估計 p_0 是有噪聲的；二是，模擬的和真實世界的動力學之間存在不匹配的問題，這些不匹配一部分是由於不完善的建模所造成的，而另一部分則是由未知的真實世界中的物理引數引起的。
為了解決第一個問題，作者透過從以視覺為中心的估計姿態分佈中取樣的方式，來實現在不同的模擬中擾動生成初始姿態估計：
此外，作者還增加了模擬次數 K（本文實驗中 K=40）。當 K 值足夠大，那麼真實的初始姿態很有可能在一組模擬中得到充分的表示，之後透過最佳化代價函式就能夠找到這個正確的姿態進行模擬。
為了對初始物件姿態進行取樣，作者分別對平移和旋轉的狀態進行取樣。其中，平移從各向同性正態分佈中取樣，而旋轉取樣透過在 so(3)中繪製零均值、各向同性切線向量來實現，之後將其應用於平均旋轉中。
SO(3)是包含旋轉矩陣 R 的一種特殊正交群，一般稱之為三維旋轉群。在三維空間中，三維旋轉群組表示能在合成運算元的作用下，圍繞原點旋轉的群組。旋轉能保持被旋轉向量的長度和相對向量方向，同時是線性的。在機器人學中，這種旋轉十分重要，它能標誌剛體在三維空間中的旋轉：剛體精確地求在運動時保持剛體內部的距離、角度和相對方向，否則，就不能能稱為剛體。
為了解決第二個問題，作者提出使用無導數、基於樣本的最佳化演算法在姿態跟蹤過程中調整模擬和真實世界的動力學之間存在的不匹配。具體地說，在每個 T 時間步長之後，將在這個視窗期間所有模擬的平均成本，以及模擬狀態、引數傳遞給指定的最佳化器。最佳化器使用自己更新的引數確定下一組模擬。下一個集合中的模擬是從當前集合的模擬中取樣的，並對模擬引數和物件姿態新增一些擾動。這種探索過程保持了模擬的多樣性，防止了由於觀測噪聲而陷入次優的模擬引數或狀態。
最後，為了最佳化 K 模擬的引數，使其模擬狀態更接近真實世界，作者提出並評估了三個無導數、基於樣本的最佳化器。
1）加權重取樣（Weighted Resampling ，WRS): WRS 基於現有的模擬狀態 s^(1:K)構建了一個機率質量函式（Probability Mass Function，PMF），並從該分佈中抽取 K 次替換，以形成下一組模擬。為了形成 PMF，WRS 在模擬成本上應用 softmax：
其中，λ它決定了分佈的清晰度。重新取樣後，透過擾動模擬引數和物件姿態對所有模擬進行探索。
2） 相對熵策略搜尋（Relative Entropy Policy Search，REPS）: 本文使用基於樣本的 REPS 變數來計算每個模擬的權重，並從這些權重的 softmax 形成的分佈中進行取樣。WRS 使用一個固定的引數λ來構造分佈，REPS 求解自適應溫度引數η，該引數在舊樣本分佈和更新樣本分佈之間的 KL 散度約束條件下，能夠較好地改善總體分佈的效能。為了使用 REPS，利用下式將代價重構為獎勵：
透過最佳化一個對偶函式 g(η)來計算η，之後使用η構建 REPS
重取樣後，會以與 WRS 相同的方式對每個模擬進行擾動處理。
3） 基於群體的最佳化（Population-Based Optimization，PBO）：受基於人群的訓練（Population-Based Training ，PBT）方法啟發[7]，PBO 首先根據平均成本對所有模擬進行排序，並找到成本最低的最優 K_best 模擬。然後，透過將剩餘的 K-K_best 模擬替換為 K_best 模擬的副本，並對其進行替換取樣後再進行利用。最後，仍然以與 WRS 相同的方式對 K_best 模擬進行擾動處理。
3.2.2 實驗分析
作者使用由 Allegro Hand 搭配 Kuka IIWA7 的機械手臂，透過模擬和真實世界的實驗來評估本文提出的方法的效能。在模擬實驗中，首先用手跟蹤作業系統採集手部目標的操縱軌跡，然後透過離線執行本文提出的演算法來評估姿態估計誤差。對於真實世界的實驗，作者使用 PoseRBPF[8]，一種最新的基於 RGB-D 的粒子濾波的姿態估計演算法來獲得物體的初始和最終姿態，同時將這些初始和最終目標姿態視為真實值，並將最終姿態與本文提出的演算法預測的姿態進行比較。
作者將 4 指 16 自由度的 Allegro Hand 安裝在 7 自由度 Kuka IIWA7 機器人手臂上。為了獲得真實世界中的接觸反饋，將 SynTouch BioTac 感測器連線到每個指尖。
實驗中使用耶魯 - 哥倫比亞大學 - 伯克利分校（Yale-Columbia-Berkeley，YCB）物件資料集中的 3 個物件（垃圾郵件罐、泡沫磚和玩具香蕉），以及文獻 [9] 中釋出的資料集中獲得的模型、紋理和點雲。之所以選擇這些物體，是因為它們適合 Allegro Hand 的大小，而且足夠輕，因此可以形成堅固的精密抓握（作者清空了垃圾郵件罐，以減輕其重量）。
對於每一個目標物件，在模擬實驗和真實世界的實驗中，作者給出了兩種操作軌跡的演示：1）用手指抓握和手內物體旋轉來拾取和放置，以及 2）相同的操作但在抓取過程中指尖斷開並重新建立接觸（手指轉動）。演示給出了總共 24 條軌跡，用於模擬和真實世界實驗的分析。在這兩種操作的軌跡型別中，目標物件都會因慣性力和與工作臺的推力接觸而發生平移和旋轉滑動。每個軌跡持續一分鐘左右。假設可以在大約 30Hz 的頻率下執行姿態估計演算法，最終得到的每個軌跡總共大約 2k 幀。除了本文建議的最佳化器（WRS、REPS、PBO），作者還評估了以下兩個基線方法：開環（Open Loop，OLP）和標識（Identity，EYE）。OLP 使用 1 個模擬來跟蹤物件的姿勢。EYE 使用一組有噪聲的初始姿態進行初始化，並且總是選擇成本最低的模擬姿態，但它不執行任何重新取樣或最佳化器更新處理。最後，本文使用平均距離偏差（Average Distance Deviation，ADD）作為評估指標。ADD 計算真實姿勢和預測姿勢的物件點雲中相應點之間的平均距離。
圖 11 給出模擬環境中的實驗結果。其中，黑色垂直線的長度表示 1 個標準偏差。最佳化方法通常具有較低的平均值和方差，但它們的相對排序取決於初始姿態噪聲的大小。REPS 和 PBO 分別在 5.8mm 和 5.9mm 的中等噪聲條件下獲得了最佳的 ADD 效能。由圖 11 可知，ADD 隨著初始姿態誤差的增加而增大，而基於最佳化器方法的 ADD 值相對較小。雖然 EYE 有時可以獲得與使用最佳化器的方法相當的效果，但後者通常具有較小的誤差方差和較大的誤差。在中等噪聲的情況下，REPS 和 PBO 的最優 ADD 值分別為 5.8mm 和 5.9mm。
圖 11. 在所有模擬實驗中，不同最佳化器對初始姿態噪聲水平的姿態跟蹤誤差比較
圖 12. 真實世界中 3 個物體的姿態跟蹤實驗
圖 12 給出真實世界中的實驗結果。其中，ADD 值比模擬環境中實驗的結果 ADD 值都要高，一方面，這是由於與具有不同引數的模擬相比，真實世界的動力學與模擬之間的差異更大；另一方面，真實世界中的觀察值存在比模擬環境中更嚴重的噪聲問題。由圖 12 可以看出，沒有最佳化器能夠有效跟蹤玩具香蕉的真實資料，由於物體（香蕉）的長力臂和低摩擦係數，使得其滑動行為難以精確建模。這是本文演算法的一種失敗模式，如果所有的模擬都發散，那麼演算法將無法在隨後的最佳化程式更新中恢復。
3.2.3 小結
本文提出了一種基於樣本的最佳化演算法，透過接觸反饋和 GPU 加速機器人模擬來跟蹤手部目標的姿態。並行模擬同時保持了對真實世界和模型物件姿態變化的多種狀態估計，這些變化是由複雜的接觸動力學引起的。最佳化演算法在目標姿態跟蹤過程中調整模擬引數，進一步提高跟蹤效能。在未來的工作中，作者計劃向最佳化的迴圈中引入接觸感測（Contact Sensing）與基於視覺的姿態跟蹤。
四、文章小結
本文對人類和機器人的觸覺感測知識進行了簡單的梳理和探討，並以此為基礎給出了兩篇論文中的應用例項。針對人類如何運用觸覺訊號來探索、感知，以及學習如何操縱、控制物體，研究人員已經進行了大量的深入分析。然而，生物系統處理感官資訊以控制行為的方式，未必總是適合直接應用於機器人的工程解決方案中。不過，它們提供了關於行為生物體如何對動態變化的環境做出反應的參考，也提供了一個機器人開發和應用的多層次概念框架。研究人員可以在這個框架內進行對機器人系統感測器的總體設計。
系統的整體效能不僅取決於單個系統元素的獨立質量，還取決於它們的整合方式。用亞里士多德的話來說，“整體比它的某些部分更重要（“the whole is more than some of its parts ）。”在設計觸覺感測裝置時，考慮到各種系統約束對於最終實現機器人的自動控制非常有用。這就需要在不同的層次上理解感測器系統的體系結構，從感知外部刺激到刺激的結果。在將人工觸覺感測技術應用於真實世界環境之前，還需要進行大量的系統級工作。這將為今後開發實用、經濟的觸覺感測系統奠定基礎。將觸覺感測器有效地應用於機器人中，不僅可以促進機器人學的研究，還將有助於理解人類與環境的相互作用。
本文參考引用的文章：
[1] Dahiya R S , Metta G , Valle M , et al. Tactile Sensing—From Humans to Humanoids[J]. IEEE Transactions on Robotics, 2010, 26(1):1-20, http://robotcub.org/misc/papers/10_Dahiya_etal.pdf.
[2] ShanLuo, JoaoBimbo, RavinderDahiya, HongbinLiu, Robotic tactile perception of object properties: A review, Volume 48, December 2017, Pages 54-67, Mechatronics.
[3] Qiang Li , Oliver Kroemer , Zhe Su, et al. A Review of Tactile Information: Perception and Action Through Touch, IEEE Transactions on Robotics PP(99):1-16, 2020.
[4] J. Roberge, W. Ruotolo, V. Duchaine and M. Cutkosky, "Improving Industrial Grippers With Adhesion-Controlled Friction," in IEEE Robotics and Automation Letters, vol. 3, no. 2, pp. 1041-1048, April 2018, doi: 10.1109/LRA.2018.2794618.
[5] J. Liang, A. Handa, K. V. Wyk, V. Makoviychuk, O. Kroemer, and D. Fox, “In-hand object pose tracking via contact feedback and GPUaccelerated robotic simulation,” in Proc. Int. Conf. Robot. Autom., May 2020, https://arxiv.org/pdf/2002.12160.pdf
[6] M. Macklin, K. Erleben, M. M¨uller, N. Chentanez, S. Jeschke, and V. Makoviychuk, “Non-smooth newton methods for deformable multibody dynamics,” arXiv preprint arXiv:1907.04587, 2019
[7] M. Jaderberg, V. Dalibard, S. Osindero, W. M. Czarnecki, J. Donahue,A. Razavi, O. Vinyals, T. Green, I. Dunning, K. Simonyan, et al., “Population based training of neural networks,” arXiv preprint arXiv:1711.09846, 2017.
[8] X. Deng, A. Mousavian, Y. Xiang, F. Xia, T. Bretl, and D. Fox, “PoseRBPF: A rao-blackwellized particle filter for 6d object pose tracking,” RSS, 2019.
[9] Y. Xiang, T. Schmidt, V. Narayanan, and D. Fox, “PoseCNN: A convolutional neural network for 6d object pose estimation in cluttered scenes,” RSS, 2018.
分析師介紹：
本文作者為仵冀穎，工學博士，畢業於北京交通大學，曾分別於香港中文大學和香港科技大學擔任助理研究員和研究助理，現從事電子政務領域資訊化新技術研究工作。主要研究方向為模式識別、計算機視覺，愛好科研，希望能保持學習、不斷進步。
關於機器之心全球分析師網路 Synced Global Analyst Network
機器之心全球分析師網路是由機器之心發起的全球性人工智慧專業知識共享網路。在過去的四年裡，已有數百名來自全球各地的 AI 領域專業學生學者、工程專家、業務專家，利用自己的學業工作之餘的閒暇時間，透過線上分享、專欄解讀、知識庫構建、報告發布、評測及專案諮詢等形式與全球 AI 社群共享自己的研究思路、工程經驗及行業洞察等專業知識，並從中獲得了自身的能力成長、經驗積累及職業發展。
