SPLIT: 이미지 기반 촉각 센서를 위한 잠재적 산술을 통한 물리적 접촉 분리

로봇 촉각 감지 (robotic tactile sensing) 를 위한 기계 학습 모델 훈련에는 방대한 양의 데이터가 필요하지만, 물리적 복잡성과 변동성으로 인해 현실적인 상호작용 데이터를 얻는 것은 여전히 도전 과제입니다. 따라서 촉각 센서를 시뮬레이션하는 것은 진전을 가속화하기 위한 중요한 단계입니다. 본 논문은 이미지 기반 촉각 센서를 시뮬레이션하는 새로운 방법인 SPLIT 을 제시합니다. 우리의 접근 방식의 핵심은 접촉 기하학 (contact geometry) 을 센서별 광학적 특성 (sensor-specific optical properties) 과 명시적으로 분리하는 잠재적 공간 산술 전략 (latent space arithmetic strategy) 입니다. 모든 새로운 단위마다 재교정이 필요한 기존 방법들과 달리, 이러한 분리는 SPLIT 이 다양한 DIGIT 배경에 적응할 수 있게 하며, 완전한 모델 재훈련 없이 GelSight R1.5 와 같은 다른 센서에 데이터를 전이 (transfer) 할 수 있게 합니다. 이러한 적응성 외에도, 우리의 접근 방식은 기존 대안보다 더 빠른 추론 속도 (inference speeds) 를 달성합니다. 또한, 우리는 가변 해상도를 가진 보정된 유한 요소법 (FEM) 연성체 메시 시뮬레이션을 제공하여 속도와 충실도 사이의 조정 가능한 절충안을 제공합니다. 또한, 우리의 알고리즘은 양방향 시뮬레이션 (bidirectional simulation) 을 지원하여 변형 메시에서 현실적인 이미지를 생성하고 촉각 이미지에서 메시지를 재구성하는 것을 가능하게 합니다. 이러한 다용도는 SPLIT 이 로봇 촉각 감지 연구의 진전을 가속화하는 귀중한 도구가 되도록 만듭니다.