基于阴影手和仿人机器人的材料识别程序，以验证触觉描述子的性能和鲁棒性。采用外侧、内侧、环形和联合运动滑动动作收集触觉数据。尽管任何探测都需要1秒以上的时间（中间滑动和环形滑动分别为2秒和10秒）[23]。与指示动作不同，Strese等人。使装置可以任意探索表面，以保证材料数据库的类内变化，即没有特定的速度、力或运动模式。然而，自由探索影响了分类的准确性，69种材料的最佳准确率在74%左右[19]。为了实现主动目标识别，Tanaka等人。按顺序执行信息操作以收集触觉数据。通过教学轨迹和反馈触觉数据生成新的探索轨迹，自动采集不同物体的触觉数据[24]。考虑到准确性和效率，我们选择了一个简单的侧向滑动动作作为EP。在这里，为了节省一秒钟的速度和速度，我们使用了一个互动式传感器来提高滑动速度和速度。

在采集触觉数据后，人体动态触觉感知也是特征提取的一个很好的启发。在人体皮肤中，不同的机械感受器在探索的过程中感受到不同频率和特征的刺激。例如，Pacinian微粒检测到高频振动，这取决于接触表面的纹理，Ruffini微粒感知持续的向下压力，压力分布指示接触状态，这与材料柔度有关[25]。为了模拟人类SA-I、FA-I和FA-II通道，Romano等人。处理来自压力传感器阵列和加速计的测量值。他们将传感器阵列和相应的高频分量的读数相加为SA-I和FA-I通道的信号，并将加速度计的高通滤波三维加速度矢量的大小作为FA-II通道的信号[26,27]。虽然这种方法没有利用高密度触觉传感器的能力来感知接触条件，但在他们的研究中，汇总读数的效果很好，这对柔顺性感知非常重要。而不是压力数据，休斯等人。使用单个麦克风收集数据。数据通过信号处理方法进行处理，如快速傅立叶变换，以模拟太平洋小体的任务[14]。然而，他们的传感器网络密度很低，在2.8平方米的区域内只有10个传感节点。这个密度远低于人类手上的太平洋小体和其他机械感受器的密度[28,29]，这使得15种纹理的精确度达到71%。由于动态触觉感知对于人类识别材料非常重要[9,30]，本文从数据中抽象出顺应性和纹理相关的时间序列，因为柔度和纹理对于动态触觉感知具有高度可识别性。然后，基于小波变换和统计分析，从序列中提取出与人体皮肤机械感受器产生的信号相似的特征。

论文组织如下。第三部分详细介绍了我们的方法，包括实验装置、特征提取和分类。第四部分给出了实验结果，证明了该方法的有效性。第五部分总结了该方法及其贡献。

三。方法论

3.1条。材料识别方法

本文提出的方法包括两个步骤。首先，机器人进行短时滑动动作，利用高密度、大尺寸的触觉传感器采集1秒滑动动作的触觉图像。其次，采用机器学习算法对触觉数据进行处理，包括特征提取和分类器训练。在特征提取过程中，通过计算三个与材料相关的时间序列来提取触觉图像。然后，基于统计和小波变换，从序列中提取出11个仿生触觉特征。最后利用特征向量训练七个分类器，选出最准确的分类器进行属性和材料识别。我们的方法的过程如图1所示。

Applsci 09 02537 g001 550图1。材料识别方法的过程。

3.2条。实验装置

触觉传感器：采用一个触觉传感器（压力映射传感器5101，Tekscan，South Boston，MA，USA）来获取触觉数据，如图2a所示。该传感器由两个薄的、柔性的聚酯板组成，其具有