基于殘差網(wǎng)絡(luò)的新型觸覺傳感器接觸狀態(tài)感知與識別*

王菲露呂珊娜宋 楊李明坤孫牛平章 英章王勇

(安徽建筑大學(xué)電子與信息工程學(xué)院，安徽 合肥 230601)

隨著物聯(lián)網(wǎng)技術(shù)、傳感器技術(shù)、人工智能、仿生學(xué)等多學(xué)科技術(shù)的發(fā)展，機(jī)器人領(lǐng)域的研究取得很大進(jìn)展。機(jī)器人可利用其所搭載的多種傳感設(shè)備例如觸覺傳感器，視覺傳感器，聽覺傳感器等完成對周邊環(huán)境物理信息的檢測。其中觸覺傳感器作為機(jī)器人系統(tǒng)中的一個(gè)重要組成部分，它在物體識別、紋理識別和動(dòng)態(tài)接觸狀態(tài)識別等方面有著獨(dú)特的優(yōu)勢[1]。觸覺傳感器是實(shí)現(xiàn)機(jī)器人與環(huán)境交互的重要媒介，通過對觸覺傳感器獲取的信息進(jìn)行高效分析，能夠有效提高機(jī)器人的感知能力，這對機(jī)器人實(shí)現(xiàn)人機(jī)交互具有重要意義[2-3]。

近年來，觸覺傳感器的研究逐漸向輕質(zhì)、高柔性、高靈敏度、快響應(yīng)速度等方向深入展開[4]。柔性觸覺傳感器能夠較好地附著在機(jī)器人表面，解決了剛性平面?zhèn)鞲衅髋c機(jī)器人曲線不匹配的問題。柔性觸覺傳感器根據(jù)工作原理的不同，主要分為壓阻型、電容型、壓電型等。其中柔性壓阻型觸覺傳感器以器件結(jié)構(gòu)簡單、靈敏度高、響應(yīng)快、制造成本低、穩(wěn)定性好等優(yōu)點(diǎn)被認(rèn)為是下一代柔性壓力傳感器的理想選擇[5]。柔性壓阻型觸覺傳感器的主要部件包含柔性基底、活性材料和電極三個(gè)部分。目前主要通過柔性基底結(jié)構(gòu)的設(shè)計(jì)和活性材料的選擇兩種方法來提高柔性壓阻型觸覺傳感器的靈敏度。關(guān)于柔性基底結(jié)構(gòu)的設(shè)計(jì):柔性微結(jié)構(gòu)在受力時(shí)形變程度大，傳感器整體能夠具有更大的電阻變化范圍，目前多孔型結(jié)構(gòu)由于其表現(xiàn)出的優(yōu)異性能受到研究學(xué)者的重點(diǎn)關(guān)注。Guan等[6]提出仿生巢狀多孔結(jié)構(gòu)，使用導(dǎo)電炭黑納米顆粒作為活性材料成功研制了具有高靈敏度、壓力范圍達(dá)到20 Pa～1.2 MPa的柔性觸覺傳感器，其壓力范圍足以涵蓋日常中所有壓力機(jī)制。Sun等[7]使用糖模板制備多孔材料并使用Ti2C-MXene作為導(dǎo)電材料成功制備集高靈敏度、高響應(yīng)范圍以及高穩(wěn)定性于一體的柔性觸覺傳感器。關(guān)于活性材料的選擇:由于石墨烯具有高透射率、大比表面積、高電子遷移率、高彈性剛度、可伸展性等優(yōu)異性能，現(xiàn)已成為當(dāng)前制備柔性壓阻型觸覺傳感器的一種熱門活性材料[8]。盧韻靜等[9]在三維聚酯非織造布上通過浸漬的方法接枝氧化石墨烯和聚二甲基硅氧烷，組裝后的壓阻式觸覺傳感器靈敏度高、反應(yīng)快、柔性好可以用于識別人體不同的運(yùn)動(dòng)。

本文利用彈性體模板法和溶液浸漬法設(shè)計(jì)并制備了一款柔性壓阻型多孔石墨烯觸覺傳感器，其靈敏度高、響應(yīng)速度快可以有效檢測不同接觸力。利用該傳感器采集了四種不同接觸狀態(tài)(拍打、重?fù)簟崦?、推?的觸覺時(shí)間序列數(shù)據(jù)，對其進(jìn)行了z-score標(biāo)準(zhǔn)化操作以及降采樣處理。在此基礎(chǔ)上，構(gòu)建了具有良好自適應(yīng)性的殘差網(wǎng)絡(luò)(Residual Networks，ResNets)模型，實(shí)現(xiàn)了對四種接觸模式的高精度分類。與此同時(shí)，將基于殘差網(wǎng)絡(luò)的分類結(jié)果與多層感知器(Multilayer Perceptron，MLP)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)的分類結(jié)果進(jìn)行了比較分析。實(shí)驗(yàn)結(jié)果表明，本文構(gòu)建的ResNets殘差網(wǎng)絡(luò)具有良好的泛化能力，可以很好地應(yīng)用于多孔石墨烯觸覺傳感器觸覺時(shí)間序列數(shù)據(jù)的分類研究。

1 多孔石墨烯觸覺傳感器制備

柔性壓阻型觸覺傳感器應(yīng)具備良好的導(dǎo)電性、優(yōu)良的機(jī)械彈性和高壓縮性等特性。三維多孔結(jié)構(gòu)的導(dǎo)電海綿因其具有質(zhì)量輕、多孔的層次結(jié)構(gòu)和獨(dú)特的電學(xué)性能等優(yōu)點(diǎn)逐漸成為柔性壓阻型觸覺傳感器敏感元件的理想材料。

本文采用簡單環(huán)保并且低成本的方法制備了一款新型柔性壓阻型觸覺傳感器。該傳感器由保護(hù)層、壓阻層以及上下電極層組成，如圖1所示。

圖1 多孔石墨烯觸覺傳感器結(jié)構(gòu)

該傳感器的保護(hù)層主要由聚二甲基硅氧烷(Polydimethylsiloxane，PDMS)薄膜構(gòu)成(PDMS具有耐溫、彈性、生物相容性和透氣等特點(diǎn)，可以對傳感器進(jìn)行有效保護(hù))；壓阻層是本傳感器的核心部分，其主要由多孔石墨烯海綿構(gòu)成(采用溶液浸漬法在多孔PDMS海綿框架上沉積氧化石墨烯材料得到多孔石墨烯海綿，而多孔PDMS海綿框架則是利用方糖作為多孔模板制備獲得)；上下電極層由銅片制成。

1.1 多孔PDMS海綿框架制備

本文利用方糖、PDMS和固化劑等材料制備多孔PDMS海綿框架。其中方糖由廣州華糖食品有限公司生產(chǎn)，其尺寸為15 mm×15 mm×10 mm；PDMS(Sylgrad 184硅橡膠)和固化劑是由道康寧公司生產(chǎn)的雙組份套件產(chǎn)品。由于方糖成本低廉、造孔效果顯著，并且造孔完畢后，糖可溶于水、蒸發(fā)后可重復(fù)利用，具有可持續(xù)性和成本效益[10]，因此方糖成為制作多孔PDMS海綿框架的首選模板材料。

制備多孔PDMS海綿框架時(shí)，首先將PDMS和固化劑以10∶1比例倒入燒杯，攪拌30 min使它們充分混合，混合后放置于真空環(huán)境中2 h除去多余氣泡。之后，將方糖浸入PDMS混合溶液中，為了使混合溶液充分滲透入方糖的氣孔中，將浸有方糖的混合溶液放置于真空環(huán)境中2 h。然后，將含有PDMS的糖模板放入80℃的干燥箱3 h進(jìn)行固化。緊接著，將固化后的PDMS方糖塊放入60℃左右的熱水中浸泡、溶解方糖模板，從而得到多孔PDMS海綿框架。

1.2 多孔石墨烯海綿制備

本文研究的傳感器的核心部分是壓阻層，采用多孔石墨烯海綿作為壓阻層的制作材料。通過溶液浸漬干燥法將氧化石墨烯材料沉積在多孔PDMS海綿框架上，得到多孔石墨烯海綿。實(shí)驗(yàn)用的氧化石墨烯分散液是由佳兆業(yè)新材料有限公司生產(chǎn)，濃度為2 mg/mL。

壓阻層元件多孔石墨烯海綿的制作過程為:①將已制作好的多孔PDMS海綿框架浸入氧化石墨烯溶液中浸泡1 h；②將浸泡后的多孔PDMS海綿框架放入55℃的干燥箱1.5 h，進(jìn)行干燥處理。③為了使得石墨烯材料能夠充分沉積在多孔PDMS海綿框架的孔壁上，本文重復(fù)進(jìn)行上述溶液浸漬干燥步驟6次，最終制備獲得尺寸為15 mm×15 mm×10 mm的多孔石墨烯海綿，也即傳感器的壓阻層元件，如圖2所示。

圖2 多孔石墨烯海綿制備實(shí)體

1.3 多孔石墨烯觸覺傳感器封裝

適當(dāng)?shù)姆庋b對于保證壓力傳感器在使用過程中具有穩(wěn)健性、可靠性、生物相容性和最小的性能下降至關(guān)重要。將傳感器封裝在薄的保護(hù)層中是一種常用的方法，可以減少傳感器的測量誤差和靈敏度損失[11]。因此本文制備了厚度為1 mm的PDMS薄膜作為傳感器的保護(hù)層。將已制作好的多孔石墨烯海綿切成尺寸為15 mm×15 mm×4 mm的薄片。利用導(dǎo)電銀膠把銅片分別黏附在多孔石墨烯海綿薄片的上下表面，作為電極使用，電極尺寸為15 mm×15 mm×0.06 mm。導(dǎo)電銀膠可以減少電極、導(dǎo)線以及多孔石墨烯海綿薄片三者之間接觸電阻的影響并且增加電極與多孔石墨烯海綿薄片之間的結(jié)合牢固性，因此適合作為此處的粘接材料使用。在電極外層使用尺寸為30 mm×30 mm×1 mm的PDMS薄膜作為傳感器的保護(hù)層，對多孔石墨烯海綿壓阻層、電極層進(jìn)行整體封裝，從而獲得尺寸為30 mm×30 mm×6.12 mm的多孔石墨烯觸覺傳感器樣本，如圖3所示。

圖3 多孔石墨烯觸覺傳感器樣本

2 多孔石墨烯觸覺傳感器性能測試

由于多孔PDMS海綿具有柔性、高彈性和優(yōu)良的機(jī)械穩(wěn)定性[10]，本文通過在其上沉積石墨烯導(dǎo)電材料，得到具有柔彈性、可折疊性和可拉伸性的導(dǎo)體——多孔石墨烯海綿。當(dāng)多孔石墨烯海綿受到壓力作用被壓縮時(shí)，附著在PDMS海綿上的石墨烯片之間彼此接觸，瞬間形成多條導(dǎo)電通路，使得多孔石墨烯海綿的導(dǎo)電性迅速增加、電阻急劇下降。

為了檢測制備的多孔石墨烯觸覺傳感器的綜合性能，本文從該傳感器的響應(yīng)時(shí)間、靈敏度、遲滯性等特性出發(fā)，對其性能進(jìn)行了詳細(xì)測試。

2.1 響應(yīng)時(shí)間

觸覺傳感器的響應(yīng)時(shí)間是指在試驗(yàn)條件下，從傳感器接觸輸入信號開始，輸出信號由零上升達(dá)到并保持在穩(wěn)態(tài)值允許的誤差范圍內(nèi)所需的時(shí)間[12]。為測量本文多孔石墨烯觸覺傳感器的響應(yīng)時(shí)間，實(shí)驗(yàn)時(shí)，在該傳感器上方放置一個(gè)木塊(質(zhì)量為50.4 g)，觀察其電壓-時(shí)間的變化曲線，如圖4所示。其中，圖4(a)為在傳感器上方放置木塊時(shí)的實(shí)物測試圖，圖4(b)為圖4(a)中傳感器響應(yīng)形成的電壓-時(shí)間曲線放大圖。從圖4可知:當(dāng)在該傳感器表面施加載荷時(shí)，隨著傳感器所受壓力增大，其電阻減小，相應(yīng)的輸出電壓值增大，并且在40 ms左右輸出電壓達(dá)到穩(wěn)定狀態(tài)。實(shí)驗(yàn)數(shù)據(jù)表明，本文研究的多孔石墨烯觸覺傳感器響應(yīng)時(shí)間較短，相較于其他的柔性觸覺傳感器[13-14]具有較快的響應(yīng)速度，能夠?qū)佑|壓力做出快速反應(yīng)。

圖4 多孔石墨烯-PDMS傳感器響應(yīng)時(shí)間

2.2 靈敏度

靈敏度是表征傳感器性能的一個(gè)重要參數(shù)，指傳感器在穩(wěn)定工作條件下，輸出微小變化增量與引起此變化的輸入微小變量的比值[12]。靈敏度的計(jì)算公式如下:

式中:ΔR表示電阻的變化量，R0表示未施加壓力時(shí)傳感器的初始電阻值，δP表示施加壓力的變化量。

本文使用艾德堡測力計(jì)以及數(shù)字萬用表對傳感器進(jìn)行靈敏度測試，實(shí)驗(yàn)平臺如圖5所示。

圖5 傳感器靈敏度測試實(shí)驗(yàn)平臺

測試時(shí)在圖5所示的多孔石墨烯觸覺傳感器表面施加壓力，其初始大小為0 N，之后以1 N遞增，同時(shí)檢測電阻值的相應(yīng)變化，實(shí)驗(yàn)結(jié)果如圖6所示。從圖6可知，當(dāng)施加的壓力超過55 N時(shí)，傳感器的輸出電阻不再發(fā)生明顯變化，此時(shí)傳感器壓縮已達(dá)極限。因此，該傳感器可以檢測的力的范圍為[0 N，55 N]。根據(jù)壓強(qiáng)公式P＝F/S，計(jì)算得到傳感器的檢測范圍為[0 Pa，244.4 kPa]。根據(jù)人體皮膚物理參量標(biāo)準(zhǔn)，仿生皮膚傳感器對壓力的測力范圍應(yīng)達(dá)到0 Pa～220 kPa[15]。本文制備的傳感器符合該標(biāo)準(zhǔn)，因此適合作為附著于機(jī)器人表面的柔性觸覺傳感器使用。

圖6 多孔石墨烯觸覺傳感器電阻變化曲線

本文制備的多孔石墨烯觸覺傳感器的初始電阻R0＝400Ω，該傳感器的電阻相對變化(ΔR/R0)曲線如圖7所示。從圖7可以看出:當(dāng)施加的壓強(qiáng)在0 Pa～53 kPa范圍內(nèi)時(shí)，傳感器的靈敏度最高可達(dá)32.5 kPa-1；當(dāng)施加的壓強(qiáng)在53 kPa～244.4 kPa范圍內(nèi)時(shí)，傳感器的靈敏度為1.5 kPa-1。

圖7 多孔石墨烯觸覺傳感器電阻相對變化曲線

實(shí)驗(yàn)結(jié)果表明，該傳感器在小壓力范圍內(nèi)具有較高的靈敏度，適合用于強(qiáng)度適中接觸力的檢測與研究。

2.3 遲滯性

傳感器的遲滯性是指在相同測試條件下，傳感器在輸入量由小到大(正行程)和由大到小(反行程)時(shí)，所得輸入、輸出特性曲線不重合的偏差程度[12]。本文研究的傳感器，輸入信號為傳感器所受壓強(qiáng)，輸出信號為電阻相對變化率。遲滯性的計(jì)算公式如下:

式中:ΔHmax＝y(tǒng)2-y1，表示輸入和輸出曲線間縱坐標(biāo)的最大差值，y1是對傳感器施加壓力時(shí)其電阻相對變化率的值，y2是傳感器釋放壓力時(shí)電阻相對變化率的值。YFS是傳感器的滿量程輸出，即輸入達(dá)最大壓力時(shí)電阻相對變化率的值，本實(shí)驗(yàn)中傳感器的滿量程輸出YFS為96.93%。具體實(shí)驗(yàn)結(jié)果如圖8所示。從圖8可知:對該傳感器施加壓力和釋放壓力時(shí)，曲線縱坐標(biāo)的最大差值ΔHmax＝11.92%，將其代入式(2)計(jì)算，得出該傳感器的遲滯性為12.3%。

圖8 多孔石墨烯觸覺傳感器遲滯性曲線

通過對傳感器進(jìn)行的性能測試，實(shí)驗(yàn)結(jié)果表明本文制備的多孔石墨烯觸覺傳感器具有快響應(yīng)時(shí)間，能夠快速感知作用力的信息；除此之外該傳感器具有高靈敏度和低遲滯性，能夠檢測到微小變化的壓力，可以很好地分辨和感知觸覺力信息，適合用于不同狀態(tài)接觸力的檢測，確保采集數(shù)據(jù)更加精確。為了高效準(zhǔn)確地判別接觸力的類型，本文構(gòu)建了具有良好自適應(yīng)性和泛化能力的殘差網(wǎng)絡(luò)模型，對施加于傳感器表面不同狀態(tài)的接觸力進(jìn)行分類識別。

3 基于Residual Networks方法的觸覺傳感器接觸狀態(tài)識別

在人機(jī)交互過程中，柔性觸覺傳感器可作為機(jī)器人皮膚使用，機(jī)器人利用其表面搭載的柔性觸覺傳感器感知來自外部不同接觸狀態(tài)的力。為了提高柔性觸覺傳感器對外界觸覺信息的識別能力，本文結(jié)合深度學(xué)習(xí)算法理論構(gòu)建殘差網(wǎng)絡(luò)(Residual Networks，ResNets)，分別對加載于多孔石墨烯觸覺傳感器表面的4種接觸狀態(tài)(拍打、重?fù)?、撫摸、推?進(jìn)行分類識別。

3.1 Residual Networks原理

ResNets引入一種殘差網(wǎng)絡(luò)結(jié)構(gòu)，在每個(gè)殘差塊中添加一路捷徑，使梯度流直接連接到底層[16]。當(dāng)有一個(gè)較淺的網(wǎng)絡(luò)已達(dá)到了飽和的準(zhǔn)確率，其后的網(wǎng)絡(luò)層為恒等映射時(shí)，該網(wǎng)絡(luò)能達(dá)到最優(yōu)效果。一般的網(wǎng)絡(luò)通常使用多個(gè)非線性層來擬合恒等映射，而ResNets網(wǎng)絡(luò)可以通過捷徑，更簡單地將其后的網(wǎng)絡(luò)層構(gòu)建為恒等映射。這一方式既增加了網(wǎng)絡(luò)的深度，盡可能地保留了信息，減少了訓(xùn)練時(shí)間，降低了訓(xùn)練難度；又不會(huì)因?yàn)榫W(wǎng)絡(luò)加深產(chǎn)生梯度爆炸或梯度消失的問題，即更深的網(wǎng)絡(luò)不會(huì)帶來訓(xùn)練集上誤差的上升。因此神經(jīng)網(wǎng)絡(luò)能夠擴(kuò)展到一個(gè)非常深的結(jié)構(gòu)，同時(shí)擁有比較強(qiáng)大的特征提取能力。

ResNets由殘差塊構(gòu)成，結(jié)構(gòu)如圖9所示。

圖9 ResNets網(wǎng)絡(luò)殘差塊結(jié)構(gòu)

殘差塊結(jié)構(gòu)可定義如式(3):

式中:x和H(x)分別表示為殘差塊的輸入和輸出，F(xiàn)(x，{W i})＋x含義為通過快捷連接和元素相加執(zhí)行，快捷連接是將輸入x直接連接到殘差塊的輸出，與殘差塊的輸出進(jìn)行元素相加。F(x，{W i})表示待學(xué)習(xí)的殘差映射，具體公式如式(4):

式中:W1和W2表示對應(yīng)層的權(quán)重矩陣，δ表示簡化后的ReLU激活函數(shù)和偏差。

如果通道數(shù)發(fā)生改變，還需要在走捷徑時(shí)對x做一個(gè)線性變化W s，則輸出H(x)如下:

在極端情況下如果恒等映射是最優(yōu)的，網(wǎng)絡(luò)可以使用更容易的方式構(gòu)建恒等映射，將殘差F(x)＝H(x)-x推到零，這比使用多個(gè)非線性層擬合恒等映射更容易。從而使梯度直接通過這些連接流動(dòng)，由此減少梯度消失或爆炸，深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練變得更簡單[17]。

與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同，ResNets通過殘差跳躍式的結(jié)構(gòu)，使某一層的輸出可以直接跨過幾層作為后面某一層的輸入，為疊加多層網(wǎng)絡(luò)而使得整個(gè)學(xué)習(xí)模型的錯(cuò)誤率不降反升的難題提供了新的方向。

ResNets網(wǎng)絡(luò)具有良好的自適應(yīng)性和泛化能力，在復(fù)雜的時(shí)間序列分類問題上具有突出效果。Dutta等[18]研究了ResNets網(wǎng)絡(luò)在利用航空圖像時(shí)間序列檢測城市植物入侵方面的能力，結(jié)果表明，ResNets在檢測中具有良好的時(shí)空泛化能力，使用來自8個(gè)及以上的公園訓(xùn)練樣本時(shí)，ResNets的性能始終超過96.2%。Neil等[19]使用四種深度學(xué)習(xí)網(wǎng)絡(luò)ResNets、FCN、CNN和MCDCNN對虛擬現(xiàn)實(shí)訓(xùn)練模擬器產(chǎn)生的時(shí)間序列進(jìn)行分類，其中ResNets分類精度最高，達(dá)到85%。鑒于ResNets殘差網(wǎng)絡(luò)在時(shí)間序列分類方面的成功應(yīng)用，本文提出將ResNets殘差網(wǎng)絡(luò)用于觸覺信息時(shí)間序列當(dāng)中。

3.2 基于觸覺傳感器的ResNets模型構(gòu)建

由于ResNets殘差網(wǎng)絡(luò)能夠很好地適用于時(shí)間序列分類，本文基于采集地觸覺信息時(shí)間序列數(shù)據(jù)，構(gòu)建一種端到端的，具有優(yōu)良自適應(yīng)性和泛化能力的ResNets殘差網(wǎng)絡(luò)，將其用于多孔石墨烯觸覺傳感器的不同狀態(tài)接觸力的分類識別中。

實(shí)驗(yàn)中，首先用食指對多孔石墨烯觸覺傳感器分別施加拍打、重?fù)?、撫摸、推?種接觸模式，并分別采集相應(yīng)的時(shí)間序列數(shù)據(jù)。采樣頻率為5 kHz，針對每一種接觸動(dòng)作，每次動(dòng)作采集4 000幀數(shù)據(jù)，幀數(shù)表示時(shí)間，每一幀對應(yīng)的數(shù)據(jù)為傳感器的輸出電壓值。

四種接觸動(dòng)作對應(yīng)的時(shí)間序列變化曲線如圖10所示。如圖可知在傳感器上施加不同動(dòng)作時(shí)，傳感器受到接觸壓力發(fā)生形變，從而其對應(yīng)的輸出電壓增加。撤去壓力后，輸出電壓迅速恢復(fù)至初始值。當(dāng)對傳感器施加拍打與重?fù)魟?dòng)作時(shí)，電壓響應(yīng)曲線瞬間出現(xiàn)波峰，響應(yīng)時(shí)間約在40 ms左右。對傳感器施加撫摸動(dòng)作時(shí)，其響應(yīng)電壓逐漸增大至一定范圍小幅度波動(dòng)。在傳感器表面施加推壓動(dòng)作時(shí)，其響應(yīng)電壓逐漸增大至峰值。綜上，四種動(dòng)作的時(shí)間序列信號特征充分體現(xiàn)了本文制備的多孔石墨烯觸覺傳感器響應(yīng)速度快，能夠?qū)毫ψ龀隹焖夙憫?yīng)，并且該傳感器靈敏度高、遲滯性低，可以有效分辨不同接觸狀態(tài)動(dòng)作的響應(yīng)信號。

圖10 四種接觸狀態(tài)的時(shí)間序列信號

其次，對采集到的樣本數(shù)據(jù)進(jìn)行預(yù)處理。由于樣本數(shù)據(jù)復(fù)雜并且維度較大，如果直接用分類算法對其進(jìn)行分類將耗費(fèi)很多時(shí)間且會(huì)影響分類精度。因此本文使用z-score標(biāo)準(zhǔn)化方法對樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，處理后的數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1。在此基礎(chǔ)上，對標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行降采樣處理，將每個(gè)樣本數(shù)據(jù)從4 000維降至200維。經(jīng)過預(yù)處理操作后的四種接觸狀態(tài)的時(shí)間序列信號特征如圖11所示。經(jīng)過預(yù)處理后，時(shí)間序列信號幀數(shù)由4 000降至200，輸出數(shù)據(jù)統(tǒng)一映射到[-1，2]區(qū)間上。

圖11 預(yù)處理后四種接觸狀態(tài)時(shí)間序列信號

本文構(gòu)建的ResNets網(wǎng)絡(luò)包含輸入層、特征提取層、全局平均池化層和輸出層，如圖12所示。輸入層為降維后的觸覺信息時(shí)間序列數(shù)據(jù)，單個(gè)樣本數(shù)據(jù)的維度為1×200，1表示單個(gè)樣本，200為時(shí)間序列長度。特征提取層由三個(gè)殘差塊構(gòu)成，其通道數(shù)分別為64、128、128；每個(gè)殘差塊由三個(gè)卷積組成，三個(gè)卷積核大小分別為8、5、3。輸入層以及每個(gè)殘差塊之間，通過大小為1的卷積核進(jìn)行通道數(shù)的擴(kuò)充，從而將需要進(jìn)行殘差操作的數(shù)據(jù)通道數(shù)保持一致，保證殘差操作的正常進(jìn)行。將特征提取層的輸出作為全局平均池化層的輸入，全局平均池化層輸出生成4個(gè)類別對應(yīng)的四通道特征圖；4個(gè)特征圖對應(yīng)4個(gè)類別，經(jīng)由softmax函數(shù)，將這4個(gè)特征圖映射為4個(gè)類別對應(yīng)的具體概率值，以此作為整個(gè)ResNets網(wǎng)絡(luò)的輸出。

圖12 殘差網(wǎng)絡(luò)時(shí)間序列分類模型

3.3 實(shí)驗(yàn)結(jié)果分析及討論

實(shí)驗(yàn)過程中，首先將制備的多孔石墨烯觸覺傳感器接入電阻轉(zhuǎn)電壓電路中，其輸出電壓作為示波器的輸入。當(dāng)傳感器受到外力作用時(shí)，示波器將實(shí)時(shí)顯示電壓隨時(shí)間的變化。其次分別采集4名同學(xué)用食指對多孔石墨烯觸覺傳感器進(jìn)行拍打、重?fù)?、撫摸、推壓四個(gè)動(dòng)作的時(shí)間序列數(shù)據(jù)。其中，每人每個(gè)動(dòng)作采集75組樣本，總共產(chǎn)生1 200組樣本數(shù)據(jù)。

將1 200組數(shù)據(jù)經(jīng)過數(shù)據(jù)預(yù)處理操作后，按照7∶3的比例構(gòu)建訓(xùn)練集與測試集。利用訓(xùn)練集樣本訓(xùn)練ResNets網(wǎng)絡(luò)，構(gòu)建ResNets模型。利用測試集的樣本測試ResNets模型性能。訓(xùn)練過程中使用交叉熵作為損失函數(shù)、選取Adam作為模型優(yōu)化方法、通過反向傳播計(jì)算梯度，更新模型參數(shù)。批量輸入(batch size)大小設(shè)置為16，即每一次更新16組輸入數(shù)據(jù)進(jìn)行梯度下降，訓(xùn)練迭代(epoch)次數(shù)為500次。訓(xùn)練完成后，使用測試集進(jìn)行網(wǎng)絡(luò)推理，得到模型輸出結(jié)果。

基于ResNets對本文制備的觸覺傳感器的四種接觸狀態(tài)(拍打、重?fù)?、撫摸、推?分類識別的準(zhǔn)確率分別為:100.00%、99.17%、95.83%、95.00%，如表1所示，四種狀態(tài)的平均分類結(jié)果為97.50%。拍打和重?fù)魷?zhǔn)確率最高，而撫摸推壓的準(zhǔn)確率相對較低，可能是由于在動(dòng)作采集過程中，撫摸與推壓兩個(gè)動(dòng)作區(qū)分度不高造成的，不過總體而言，四種狀態(tài)的平均分類識別準(zhǔn)確率還是讓人滿意的。綜上，本文基于多孔石墨烯觸覺傳感器構(gòu)建的ResNets網(wǎng)絡(luò)能夠很好地用于不同接觸狀態(tài)信息的識別。

表1 ResNets四種接觸狀態(tài)識別準(zhǔn)確率

為了進(jìn)一步驗(yàn)證ResNets模型對接觸狀態(tài)識別的有效性，基于相同的數(shù)據(jù)集，分別構(gòu)建多層感知器(Multilayer Perceptron，MLP)模型和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)模型，實(shí)現(xiàn)對上述4種接觸狀態(tài)的識別。各模型的參數(shù)包括層數(shù)(Layers)、卷積層數(shù)(Conv)、特征映射層(Feature)、激活層(Activate)、正則化(Regularize)的對比如表2所示。實(shí)驗(yàn)設(shè)置500次迭代，得到的MLP、CNN、ResNets模型的學(xué)習(xí)曲線對比如圖13所示。由圖13(a)可知，ResNets的識別準(zhǔn)確率最高，達(dá)到97.5%，MLP和CNN識別準(zhǔn)確率分別為82.71%與86.46%。由圖13(b)可知，ResNets損失值最低，其值為0.097 42，MLP與CNN的損失值分別為0.448 43與0.308 06。由此可知，ResNets模型比MLP模型和CNN模型具有更好性能。

表2 MLP、CNN、ResNets的模型參數(shù)

圖13 MLP、CNN、ResNets三種模型的學(xué)習(xí)曲線

ResNets模型、MLP模型、CNN模型對4種接觸狀態(tài)的識別準(zhǔn)確率如表3所示，平均識別準(zhǔn)確率如圖14所示。

表3 MLP、CNN、ResNets四種接觸狀態(tài)識別準(zhǔn)確率對比

如表3可知，ResNets模型對四種接觸狀態(tài)的識別準(zhǔn)確率均高于MLP模型和CNN模型。由圖14可知，ResNets的平均分類準(zhǔn)確率為97.50%，分別高出MLP算法、CNN算法14.79%、11.04%。由此可知，ResNets模型比MLP模型和CNN模型具有更好的分類識別能力，更適合用于觸覺傳感器接觸狀態(tài)的精確識別。

圖14 MLP、CNN、ResNets算法結(jié)果對比

ResNets結(jié)構(gòu)靈活，可以實(shí)現(xiàn)較深層的網(wǎng)絡(luò)(本文構(gòu)建的ResNets網(wǎng)絡(luò)共11層)，能夠獲取更多有用的信息，因此該網(wǎng)絡(luò)模型更容易獲得高精度的識別準(zhǔn)確率。CNN與MLP相鄰層的神經(jīng)元節(jié)結(jié)點(diǎn)之間使用的是全連接層，而ResNets采用全局平均池化層，其使用池化層的方式降維，保留了前面各個(gè)卷積層提取到的信息，因此ResNets具有更好的分類識別效果。

ResNets網(wǎng)絡(luò)因其獨(dú)特的結(jié)構(gòu)使得它在分類識別方面具有優(yōu)異的性能。本文將其用于多孔石墨烯觸覺傳感器的觸覺信息時(shí)間序列中，對4種接觸狀態(tài)進(jìn)行分類識別，獲得了很高的分類精度。實(shí)驗(yàn)結(jié)果表明，ResNets網(wǎng)絡(luò)可以較好地應(yīng)用于觸覺傳感器接觸狀態(tài)識別的研究。該多孔石墨烯觸覺傳感器的研究為機(jī)器人皮膚在接觸狀態(tài)感知方面提供了理論支持和技術(shù)積累。

4 結(jié)論

本文基于觸覺信息時(shí)間序列，對不同接觸狀態(tài)進(jìn)行感知識別研究。使用彈性體模板法和溶液浸漬法制備了一款多孔石墨烯觸覺傳感器，其具有良好的柔彈性、0 Pa～244.4 kPa的測力范圍、約32.5 kPa-1的靈敏度、40 ms左右的響應(yīng)時(shí)間，可用于不同狀態(tài)接觸壓力信息的采集，適合作為機(jī)器人皮膚使用。在此基礎(chǔ)上，基于觸覺信息時(shí)間序列，利用ResNets網(wǎng)絡(luò)對4種不同接觸狀態(tài)進(jìn)行分類識別，獲得高達(dá)97.5%的平均識別準(zhǔn)確率。該結(jié)果分別高出MLP算法、CNN算法14.79%、11.04%。實(shí)驗(yàn)結(jié)果表明，具有良好的自適應(yīng)性和泛化能力的ResNets網(wǎng)絡(luò)模型能夠更好地用于觸覺傳感器的接觸狀態(tài)識別，獲得很高的分類精度，為機(jī)器人皮膚的研發(fā)提供理論支持和基礎(chǔ)積累。