在非结构化的自动化作业场景中,智能机器人需要与环境或目标对象交互以实时获取外界信息并对下一步行动做出决策。触觉是动物获取环境信息不可替代的方式之一,也能为智能机器人赋予材质探测和在深海、沙尘、深空等光线不足的场景中进行环境交互的能力。机器人触觉这一横跨了材料、算法和电子通信的领域蕴含了大量科学问题和技术难点,国内外专家正在不断地展开理论研究和技术开发。本课题围绕机器人触觉领域的材质识别问题进行研究,创新地使用有限元高通量模拟的方法分析材质识别任务中采集触觉信号的接触器最优外形,并批量计算和获取了触觉响应信号。分析了触觉数据中反映材质信息的特征,运用卷积神经网络对特征进行识别,并开发触觉识别模型的验证系统对卷积神经网络进行了验证。具体研究内容和相关工作如下:针对材质识别机器学习模型的样本数据来源问题,本文建立了用于采集触觉响应信号的有限元模型,并分析接触器的几何形状与弹性模量对触觉信号的影响,对有限元模型进行了优化迭代。同时将有限元模型的部分参数进行了随机化处理,编写成高通量模拟程序,批量计算并获取接触器触摸不同材料和表面形状物体时的触觉响应信号。此方法能够不受现实条件限制并且不受人为因素影响地获取准确的触觉响应信号。为了建立高性能的材质识别机器学习模型,本文建立了包括支持向量机、决策树、感知机、多层感知机和卷积神经网络的多种机器学习模型,经过对比分析,本文选择了卷积神经网络,然后对网络结构和样本特征作了针对性优化,并用样本扩增和人工数据集的方法扩充了样本集。经过优化后的卷积神经网络能够以97.5%的准确率识别材料为金属或橡胶、表面形状为点状或线条纹理的物体,在材质识别问题中表现出较好的性能。为了验证材质识别机器学习模型在现实接触场景中的识别性能,本文设计并搭建了触觉识别验证系统。系统的核心为树莓派开发板,信号采集单元为以6×6阵列排布薄膜式压力传感器。触觉响应信号于传感器中产生,经过模数转换芯片、数据选择芯片传入树莓派,树莓派中运行了该系统的驱动程序和机器学习模型,能够可视化地输出触觉响应信号和识别结果。结果显示,搭载了材质识别卷积神经网络的触觉识别验证系统能以93.75%的准确率识别物体材质。