迄今为止，大多数人工智能(AI)研究都集中在视觉上。由于机器学习，特别是深度学习，我们现在拥有对环境有非常好的视觉理解的机器人和设备。但是，我们不要忘记，视力只是人类生物学意义之一。对于更好地模仿人类智能的算法，研究人员现在关注的是从感觉运动系统和触觉反馈中获取的数据集。借助这种额外的感觉，未来的机器人和人工智能设备将更加了解其物理环境，开辟新的使用案例和可能性。

杰森玩具，人工智能爱好者，技术专家，深度学习和神经语言程序设计专家Somatic的创始人，最近建立了一个项目，专注于培训人工智能系统，以便基于触觉输入与环境互动。该项目名为SenseNet：3D物体数据库和触觉模拟器，专注于扩展机器人对周围环境的视觉映射，包括轮廓，纹理，形状，硬度和触摸物体识别。

玩具最初的目标是为感觉运动系统和触觉反馈创造一波人工智能研究。除此之外，他想象经过触觉训练的机器人最终可以用于开发机器人手，用于工厂和配送中心，以执行装箱包装，零件检索，订单履行和分拣。其他可能的应用包括用于食物准备的机器人手，家庭任务和组装部件。

SenseNet项目依赖于深度强化学习(RL)，这是机器学习的一个分支，它从有监督和无监督的学习技术中汲取经验，依赖于基于监控交互的奖励系统，以找到更好的方法来迭代地改进结果。

许多人认为RL为开发自主机器人提供了一条途径，可以通过最少的人为干预来掌握某些独立行为。例如，深度RL技术的初始评估表明，可以使用模拟来开发灵巧的3D操作技能，而无需手动创建表示。

研究人员在开始基于触摸的AI项目时面临的许多共同挑战。形状的开源数据集(大多数可以3D打印)以及触摸模拟器允许AI研究人员加速项目工作。图1显示了SenseNET数据集中包含的一些形状的示例。

通过添加一个允许研究人员加载和操纵对象的模拟器，数据集变得更加有用。Toy解释说：“我们在Bullet物理引擎上构建了一个层。Bullet是游戏，电影以及最近机器人和机器学习研究中广泛使用的物理引擎。它是一个实时物理引擎，可以模拟软体和刚体，碰撞检测和重力。我们包括一个名为MPL的机器人手，可以在手指上进行全方位的运动，我们在食指的尖端嵌入了一个触摸传感器，可以让手模拟触摸。“图2显示了一些支持的手使用MPL可用的手势。

支持技术

加速许多强化学习算法的训练和测试玩具使用英特尔的强化学习教练 - 机器学习测试框架。在一个Python *环境中运行，强化学习教练允许开发人员模拟代理和环境之间的交互，如图3所示。

通过组合各种构建模块并提供可视化工具来动态显示培训和测试结果，强化学习教练使培训过程更加高效，并支持在多个环境中测试代理。基于训练序列期间收集的数据的高级可视化工具可以通过Coach仪表板轻松访问，并用于调试和优化正在训练的代理。

开发商的机会

就其他开发商的机会而言，Toy说：“不要害怕违背常规。大多数深度学习热潮都集中在卷积神经网络(CNN)和计算机视觉之上，因为这是获得最多收益的地方。“其他探索较少的领域提供了人工智能的洞察力，有时甚至突破，这些不太受欢迎的途径可以导致有希望的方向

最后，Toy说：“不要仅仅从数学和计算机科学的角度来研究人工智能。看看其他领域，如计算神经科学和认知科学。“