“通过机器人系统工具箱，我们可以直接从MATLAB中开发的算法无缝连接和控制我们的机器人，使我们能够最大限度地缩短开发时间。我们利用这段时间进一步研究了新的触觉物体识别算法。”
松原高光，奈良科学技术学院
能够通过触觉而非视觉线索识别物体的机器人具有广泛的潜在应用前景，包括外科手术和救援手术。日本奈良科学技术研究所(NAIST)智能系统控制实验室的研究人员开发了一种算法，使装有传感器的灵巧机械手能够通过压力、振动和温度来识别物体。物体识别算法采用一种主动学习方法:手执行一个动作，比如摩擦、挤压或拉动物体，获取触觉信息，并利用这些信息来计划下一个动作。
NAIST的研究人员使用了MATLAB®和Robotics System Toolbox™开发了触觉物体识别的两种算法。第一种方法使用机器学习技术，从观测到的传感器数据开发一个概率模型。第二种是使用学习过的模型来识别不同的物体。
“MATLAB让我们专注于进行研究，而不是编写代码，”NAIST助理教授Takamitsu Matsubara说。“通常，当我们与一个新的机器人一起工作时，会有一个漫长的代码编写阶段，但MATLAB和机器人系统工具箱使我们能够最小化这个阶段，并专注于提高主动触觉物体识别。”
NAIST的研究人员使用MATLAB和机器人系统工具箱开发触觉物体识别算法，并完全自动化他们的工作流程。
在MATLAB中，该小组开发了学习和目标识别算法的初始版本。这两种算法都包含了一个高斯过程潜在变量模型，也是在MATLAB中开发的。
该团队在学习算法中使用了全局优化工具箱和优化工具箱™中的函数，以确定需要什么样的计划运动来获取被学习对象的缺失信息。
对于对象识别算法，他们使用最优化工具箱函数来识别能够提供关于对象最有用的新信息的探索操作。
在实际机器人上测试算法之前，研究人员使用目标对象的数学模型在MATLAB中进行了仿真，以生成输入数据。
通过使用Parallel Computing Toolbox™在多核计算机的多个处理器上执行模拟、优化和矩阵操作，它们加速了模拟、优化和矩阵操作。
为了在算法和启用ROS的Shadow机器人之间建立通信，该团队使用Robotics System Toolbox从机器人的MATLAB代码直接访问机器人的ROS API。
他们在算法中调用了Robotics System Toolbox函数，向机器人发布手和指尖位置，并从机器人订阅BioTac传感器数据。
NAIST团队已经完成了能够识别10种不同物体的算法的开发。他们正在开发可以识别100个或更多对象的增强版本。
省去了数百个手动步骤．“在我们使用MATLAB的机器人系统工具箱之前，学习过程花了我们大约24小时，”NAIST研究员和博士候选人田中大辅(Daisuke Tanaka)说。“现在这个过程是完全自动化的，所以我们不用整天站在机器人面前，我们可以一边工作，一边让它自己完成任务。”
尝试新算法想法的机会增加了．“毫无疑问，MATLAB和机器人系统工具箱使我们能够集中精力进行研究，而不是编写c++代码，”Tanaka说。“因此，我们有更多时间来探索新的算法。”
与其他学生和研究人员分享专业知识．Matsubara博士说:“在我们成功地使用MATLAB和机器人系统工具箱进行研究后，NAIST的大三学生也开始使用MATLAB和基于ros的机器人。”“使用MATLAB创建一个自动化的环境，使我们能够将我们的知识传授给其他学生和研究人员。”
你也可以从以下列表中选择一个网站: