物件辨識是機器人研究中很重要的一個領域，一般辨識的方法先透過感測器擷取出目標物件的特徵，再根據這些特徵中判斷出物件的種類。機器視覺是一種常用於辨識的感測方法，例如機器人識別貨物、自動駕駛汽車識別行人或建築物、機械手臂識別夾取目標等等。生活中除了視覺之外，觸覺也常用於物件辨識，例如買水果時可以透過手的抓握得知水果的熟度與形狀，醫師可以透過觸診得知腫瘤的形狀與位置，盲者可以透過觸摸點字得到資訊等等，善用觸覺可以讓人即使在視覺受限的環境下，透過抓握、碰觸來獲取物件的資訊，進一步辨識物件。本文將先介紹機器人中不同的感測方法以及機器學習，接著會介紹本實驗室開發的感測手套，透過這個手套可以利用抓握姿勢與機器學習即時辨識物件，達到「瞭若指掌」的功能。
機器人與機器感測
機器人學的定義非常廣泛，除了眾所熟知的人形機器人外，凡具有感測、決策、和運動生成功能的研究與開發都可視為「機器人」研究的範疇。例如機器手臂可以模擬人類手部運動來執行精密操控，自動倉庫中的移動式機器人可以協助運送、放置貨物，救災機器人可在崎嶇或受限制的地形中協助探勘搜救，微奈米機器人可以在生醫晶片上檢測細胞等微小物件，甚至在體內投遞藥物等等。以下將就機器人的感測裝置進行介紹，說明感測原理以及可能應用的場合。
人類最常用的五個感知為聽覺、嗅覺、味覺、視覺、觸覺，機器人研究中也相應五感開發了各種感測器作為機器人的感知，透過感測器偵測環境而產生回饋訊號，機器人接收後可以做出相對應的分析與策略。近期的機器味覺相關研究例如Higashimori等人於2019年開發了咀嚼機器人模擬人類的牙齒與舌頭，在機器人舌頭裝上觸覺感測器與壓力感測器，透過咀嚼食物時得到的壓力分佈與咬合力道，可以得到食物的質地與口感[1]。機器嗅覺則常是利用空氣中氣味分子在感測器產生化學反應，從反應後產生的光、電訊號判斷氣味，例如於2018年Nagle 與Schiffman開發的機器鼻在收集氣味樣本後，將氣味中的硫化物與感測器產生的化學反應轉換為訊號，依訊號不同區分氣味[2]。機器聽覺的使用如於2018年Eppe等人提出一種以機器人聽覺為基礎的方法辨識盒子內的物件，透過搖晃盒子產生物件與盒子的碰撞聲進行深度學習，可以辨識無法直接看到的盒子內的物件，從10種不同盒子內容物的實驗中，可以達到91%的成功分辨率[3]。
視覺是近年來機器感測中最常用的感測方式，視覺感測資訊可以進行多樣的影像收集和分析，不僅可以對2維平面的畫面進行擷取，透過雙鏡頭或是深度攝影機的3維成像系統也逐漸廣於應用。視覺感測器，就像是機器人的眼睛，將攝影機所拍攝到的畫面透過電腦運算，轉化為訊號，使機器人可以知道環境或目標物的特徵，對應訊號進行動作。例如工業機器人可以透過視覺感測器檢視物件，進一步利用影像處理判斷表面是否有缺陷，若大批的物件中有少數缺陷的情形，機器人就可以從中快速的挑選出瑕疵物品。除了工業機器人的應用之外，近期農業機器人的應用也越來越受重視，例如在2019年Wan等人透過即時的視覺影像搭配深度學習，可以在混合栽種的果園裡，依據各種不同水果的外型特徵加以分類，用來預估水果重量與自動採收[4]。
觸覺感測是力感測器與位置感測器在機器人中的應用，很多情況下視覺無法使用、或是觸覺包含了視覺沒有的資訊，例如軟硬、材質、三維結構等，觸覺感測就格外重要。例如利用壓力感測器可以透過與與物件接觸推估出物件的軟硬度、材質、表面光滑程度等等資訊，進而控制機器人的力道進行最適當、不破壞物體的夾取。可應用於水果的摘取，水果個別有不同的軟硬度，機器人在摘取時，同一種力道可能會造成部分水果的傷害，所以要根據機器人觸碰到水果後，力感測器接收到的軟硬度資訊，即時調整機器人的抓握力道，減少摘取過程對水果造成的損傷。觸覺感測除了避免摘取時傷害作物，更能用來評估作物品質，例如在2019年Scimeca等人提出了一種芒果成熟度評估的方法，不需要去除水果皮，用配有電容式觸覺感測器陣列的手臂觸摸芒果表面，即能夠區分出成熟和未成熟的芒果[5]。
從工業4.0邁向工業5.0的路上，機器人的感測器也扮演了重要角色，例如機器人在協作的過程中，人員若不慎誤入機器的工作區域，有可能造成人員的傷害，因此會利用機器人上的感測器防止碰撞及避開障礙物，當感測器偵測到物體，就會回傳訊號使機器人停止運作或減慢工作速度，以確保工作環境中機器人與人員之間的安全。相關文獻如2016年Mohammed等人將機器人和攝影機的畫面用於監視和碰撞偵測，碰撞檢測的系統可以警告操作人員，停止、移開機器人或修改機器人的軌跡，使機器人遠離正在接近的操作員，根據操作人員和機器人的相對位置來決定如何改變機器人動作[6]。
機器學習
隨著科技的進步，機器人結合了人工智慧，使得機器人不只能進行重複性的動作，還能自主判斷來適應環境、即時修正行為、識別物體、避開障礙物以及規劃行走路線，這些智慧化的機器人，可以更精確快速的協助人們作業或在高危險環境中取代人們，減少人力的損失與人為失誤，增加執行效率。機器學習是構成人工智慧非常重要的技術之一，從產業中的預測到醫療的診斷，都是目前應用的趨勢。
機器學習是從大量的經驗及數據中，學習如何從數據的特徵推測出結果，例如從水果的形狀、顏色推測出水果的種類。機器學習可以分為三類：監督式學習、非監督式學習與強化學習，其中監督式學習是使用者預先提供了物件的特徵值以及標籤化後的標準答案，學習過程中，電腦會計算依特徵值預測的結果以及預測結果與標準答案之間的誤差，根據誤差結果修正預測函數，使預測的結果輸出更加準確。非監督式機器學習則是使用未經標籤化的資料進行歸類，換句話說輸入的資料只有物件特徵但不包含標準答案，是由電腦自行找出特徵中的規律來將資料分類。強化學習則是不需給機器任何預先學習的資料，僅讓機器透過不斷與環境互動得到的正向、負向回饋來自我學習，以達機器學習的目的。...更多內容，請見《機械新刊》雜誌
