触觉智能新进展：GelSight Mini触觉传感器支持无监督力校准

在机器人抓取、柔性材料操控等任务中，视触觉传感器如 GelSight Mini，凭借高分辨率成像能力，已成为科研实验室的常用工具。但一个长期困扰研究者的问题是：更换传感器、弹性体老化或环境变化后，是否必须重新采集大量带标签的力数据？

图1｜深度域适应框架：通过特征对齐实现源域到目标域的力预测迁移

伦敦国王学院机器人感知实验室在最新论文《Deep Domain Adaptation Regression for Force Calibration of Optical Tactile Sensors》中提出一种无监督深度域适应回归方法。基于 GelSight 结构，团队构建了多种域差异组合（标记有无、照明变化、弹性体硬度不同），仅需目标域无标签图像，即可实现高精度力迁移。

图2｜实验平台：UR5e机械臂配合GelSight Min传感器与Nano17力传感器进行数据采集

实验结果显示，迁移后法向力预测误差为0.102 N（满量程3.4%），剪切力误差分别为0.095 N（6.3%）。相比传统直接迁移方法，性能显著提升。

这意味着，GelSight Mini 视触觉传感器用户在面对设备老化或环境变化时，无需依赖昂贵的力/扭矩传感器进行重复标定，仅需采集目标域触觉图像，即可完成模型适配，大幅缩短实验准备周期。

图3｜t-SNE可视化：域适应后源域与目标域特征空间显著对齐，验证迁移效果

作为一款高分辨率光学触觉传感器，GelSight Mini因其标准化图像输出与紧凑设计，为这类域自适应研究提供了良好基础。

论文来源： Chen Z, Ou N, Jiang J, et al. Deep domain adaptation regression for force calibration of optical tactile sensors[J]. arXiv preprint arXiv:2407.14380, 2024.