TacPrint: 인간-로봇 접촉 재현을 위한 웨어러블 손가락 촉각 센서

TacPrint: A Wearable Fingertip Tactile Sensor for Human-to-Robot Contact Reproduction

인간 중심 데이터 수집은 로봇 기술 습득의 중요한 패러다임으로 부상하고 있지만, 자연스러운 작동 방식을 저해하지 않으면서 정밀한 손가락 상호 작용을 캡처하는 저렴하고 확장 가능한 촉각 센싱 시스템을 완벽하게 통합하는 것은 여전히 주요 과제입니다. 이는 접촉이 많은 작업에서 인간-로봇 간의 신뢰성을 저하시킵니다. 본 연구에서는 웨어러블 손가락 촉각 센서인 TacPrint을 소개합니다. 이 센서는 실리콘 껍질 내부에 있는 돌출부가 24개의 용량성 택셀과 일대일로 정렬되어, 국소적인 용량성 응답을 가능하게 합니다. 실제-시뮬레이션-실제 파이프라인을 사용하여 24채널의 용량성 신호로부터 35 x 26 크기의 접촉 깊이 지도를 추정합니다. 시뮬레이션을 통해 생성된 레이블에 대해, 모델은 접촉 영역 RMSE가 0.223 $\pm$ 0.161 mm, 가중 중심 오차가 1.213 $\pm$ 2.379 픽셀, IoU 값이 0.829 $\pm$ 0.169를 달성했습니다. 측정된 용량성 입력을 사용하여 네트워크가 예측한 깊이는 가이드에 의해 보정된 접촉 중심에서 평가되었을 때, 모든 40개의 제어 실험에서 평균 절대 오차가 0.085 $\pm$ 0.057 mm였습니다. 또한, 참조 접촉 영역이 센싱 경계에 잘리지 않은 37개의 실험에서 평균 접촉 위치 오차는 0.250 $\pm$ 0.208 mm였습니다. 인간-로봇 재현 과정에서 촉각 기반 보정은 그립 및 닦기 성공률을 각각 0%에서 91.67%와 90%로 증가시켰습니다. 폐루프 그립 시스템에서는 밀집된 깊이 피드백이 모든 테스트 위치에서 87.5%, 가장자리 접촉 조건에서는 85%의 성공률을 달성했으며, 이는 원시 택셀 피드백의 경우 각각 67.5% 및 45%에 비해 훨씬 높은 수치입니다.

Human-centric data collection is emerging as a significant paradigm for robot skill acquisition, but seamlessly integrating low-cost, scalable tactile sensing systems that capture fine-grained fingertip interactions without compromising natural operation remains a key challenge. This reduces the reliability of human-to-robot transfer in contact-rich tasks. In this work, we present TacPrint, a wearable fingertip tactile sensor, where protrusions on the inner surface of the silicone skin are aligned one-to-one with 24 capacitive taxels to enable localized capacitive responses. A real-to-sim-to-real pipeline estimates a 35 $\times$ 26 contact-depth map from 24-channel capacitive signals. Against simulation-generated labels, the model achieved a contact-region RMSE of 0.223 $\pm$ 0.161 mm, a weighted-centroid error of 1.213 $\pm$ 2.379 pixels, and an IoU of 0.829 $\pm$ 0.169. With measured capacitive inputs, the network-predicted depth evaluated at the guide-calibrated contact center showed a mean absolute error of 0.085 $\pm$ 0.057 mm across all 40 controlled trials, while the mean contact-position error was 0.250 $\pm$ 0.208 mm across the 37 trials whose reference contact regions were not truncated by the sensing boundary. In human-to-robot replay, tactile-guided compensation increased grasping and wiping success rates from 0% to 91.67% and 90%, respectively. In closed-loop grasping, dense-depth feedback achieved success rates of 87.5% over all tested positions and 85% under edge-contact conditions, compared with 67.5% and 45% for raw-taxel feedback.