Soft Tracking Using Contacts for Cluttered Objects to Perform Blind Object Retrieval

• 文章概括
• 摘要
• 1. 介绍
• 2. 相关工作
• 3. 问题陈述
• 4. 方法
• • A. 接触检测和隔离
  • B. 软追踪
  • C. 分割成对象
• 5. 实验
• • A. 基线
  • B. 调优训练集
  • C. 盲目的对象检索
  • D. 模拟中的盲目物体检索
  • E. 真实的机器人盲对象检索
• 6. 讨论
• • A. 超越对象平移的泛化
  • B. 超越单点接触的泛化
  • C. 骚动政策
• 7. 结论

文章概括

作者：Sheng Zhong，Nima Fazeli and Dmitry Berenson
来源：IEEE ROBOTICS AND AUTOMATION LETTERS. PREPRINT VERSION. ACCEPTED JANUARY, 2022
原文：https://arxiv.org/pdf/2201.10434.pdf
代码、数据和视频： https://github.com/UM-ARM-Lab/stucco
系列文章目录：
上一篇：
论文笔记（二十一）：Fusing Joint Measurements and Visual Features for In-Hand Object Pose Estimation
下一篇：

摘要

从杂乱无章的空间（如橱柜、冰箱或垃圾箱）中取回一个物体，需要在有限的或没有视觉感应的情况下跟踪物体。在这些情况下，接触反馈对于估计物体的姿态是必要的，然而物体是可移动的，而它们的形状和数量可能是未知的，这使得接触与物体的关联变得非常困难。虽然以前的工作侧重于多目标跟踪，但其中的假设禁止使用只给定接触感应模式的先前方法。相反，本文提出了使用接触物的软跟踪方法（STUCCO），该方法使用粒子过滤器跟踪接触点位置和隐含物体关联的信念。这种方法允许在新的信息出现时对过去接触的模糊物体关联进行修正。我们将STUCCO应用于盲目的物体检索问题，即必须从杂波中检索出一个已知形状但未知姿态的目标物体。我们的结果表明，我们的方法在四种模拟环境中，以及在接触感应有噪声的真实机器人上，都优于基线。在模拟中，我们在所有的环境中都达到了至少65%的把握成功率，而基线没有达到5%以上。

索引词——抓取和操纵的感知，力和触觉感应。

1. 介绍

本文考虑了在没有视觉反馈的杂乱环境中跟踪物体的问题。诸如在橱柜、冰箱或垃圾箱中翻找目标物体的应用需要在有限的或没有视觉感应的情况下跟踪物体以估计目标的姿势。在这些情况下，接触反馈对于估计物体的姿势是必要的。一个关键的困难是，这些场景中的物体是可移动的，要求机器人在物体移动时估计其姿势。这尤其具有挑战性，因为我们并不假设我们事先知道环境中物体的形状，甚至是物体的数量。因此，当检测到两个附近的接触时，我们并不清楚我们是接触了两个物体一次还是一个物体两次。这种模糊的数据关联使得追踪变得更加困难，因为当我们观察到新的数据时，我们可能需要改变过去与物体接触的关联。

该领域以前的工作主要集中在从接触中追踪单一目标[1]或对物体进行视觉追踪[2], [3]。用激光雷达/声纳/视觉数据跟踪多个目标的工作是有意义的，但要依靠高频率地接收长距离信息才能有效，而接触的情况并非如此。据我们所知，这是第一篇解决只用接触反馈来跟踪多个物体问题的论文。

让我们能够解决这个问题的关键见解是，我们可以在没有明确对象分配的情况下有效地传播对接触点的信念。然后，我们可以从这个信念中取样，生成接触点和关联的假设。我们把这种方法称为 “软跟踪”，以强调它与跟踪明确的 "硬 "关联的区别。

给出一个推动动力学模型（可能非常简单）和一个现有的定位机器人表面接触的方法[4]（接触隔离），我们的方法，我们称之为使用杂乱物体接触的软跟踪（STUCCO），使用粒子过滤器跟踪对接触点位置和隐含关联的信念。我们通过对每个接触点是否以与它到最新接触点的距离成反比的概率进行采样来传播信念，然后更新粒子以强制执行接触点不可能在机器人内部发生。通过我们的分割过程，可以从信念中提取出接触点的最佳估计值以及它们与物体的硬关联，这对下游任务很有用。

为了显示STUCCO的实用性，我们展示了它是如何被用来解决盲目物体检索（BOR）问题的，即必须从一个平面杂乱的环境中检索出一个已知形状的目标物体。我们在这种问题的模拟实例和真实实例（图1）上对我们的方法和基线进行了评估，发现我们的方法在所有环境中都取得了至少65%的抓取成功率，而没有一个基线在所有环境中取得超过5%的抓取成功率。

2. 相关工作

当我们知道环境中物体的数量，并且传感和物体之间的映射是明确的，就可以使用单一目标跟踪方法，例如在有视觉的情况下使用[5]的方法，在有接触反馈的情况下使用歧管粒子过滤器[1]。对于单个孤立的物体，使用触觉反馈[6], [7]已经证明了姿势和形状的估计。在这里，我们关注的是当数据关联不明确且有未知数量的物体时，更困难的问题。

对于这个问题，传统上使用的是计算机视觉方法。相关的问题被称为多目标跟踪，[8]对现代方法进行了全面的调查。在有视觉的情况下，它的信息密度使它作为物体检测和跟踪的主要方法具有吸引力。我们的方法可以结合使用，以解决模糊不清的问题，并提供闭塞处的信息。事实上，机器人在接近操纵时常常会遮挡住目标。

在计算机视觉之外，多目标跟踪是一个更常见的术语，用来指代这个问题，并与对信息源不可知的方法有关[9]。传统上，多假设跟踪（MHT）[10]传播关于观察（接触）与特定目标（对象）的关联的假设。联合概率数据关联（JPDA）[11]是一种允许关联概率而不是固定关联的放松。虽然有办法限制假设的组合数量以使这些方法具有可操作性，但在未知物体形状的情况下，明确地将接触与物体联系起来是很困难的。通常只有在很晚的时候，我们才有足够的数据来辨别以前的关联，所以必须保留许多假设。

明确考虑关联的另一种方法是传播关于目标数量及其状态的后验强度（一阶矩）。这类方法被称为强度过滤器[9]，其中概率假设密度（PHD）过滤器[12]是一个值得注意的特例。我们以PHD滤波器的实现作为基线进行比较。所有这些方法在设计时都考虑到了密集的信息源（雷达、声纳或照相机），而它们的假设在盲操的情况下是有问题的。最重要的是，他们的观察模型假设每个目标在每一步都会产生一个具有某种状态无关的概率的观察。对于接触来说，情况显然不是这样的，因为我们只能从靠近机器人的物体上观察到接触。我们的方法从强度过滤器中获得灵感，传播一种没有明确关联的信念，利用接触的局部性质。

已经提出了几种在杂乱的环境中进行操作的方法。一种RGB-D方法[3]证明了在视觉上分割然后检索杂乱环境中的物体的成功。然而，他们所展示的环境允许立即分割目标物体，而不需要翻找；此外，物体之间往往被很好地分开。在[13]中展示了一种带有全臂触觉感应的触觉方法，以成功地在杂乱的环境中取物。与他们专注于机器人控制的导航，使他们能够将可移动的物体推开相比，我们专注于感知物体本身，以完成下游的操纵任务。与[13]类似，我们的方法得益于多次接触，因为每次接触都会给我们带来信息。虽然我们没有从全臂触觉反馈中准确定位接触点（这只限于目前极少数的机器人），但我们能够只用末端执行器处的外部扳手的估计值来执行我们的任务。

3. 问题陈述

让$x\in SE(3)$表示机器人末端执行器的姿势。我们得到一条轨迹$x_0，...，x_T$，在此期间，机器人与一些物体进行了接触。我们假设机器人是环境中唯一的代理人，所以物体只在与机器人直接或间接接触的情况下移动。此外，我们假设机器人的运动是刚性的，没有顺应性，机器人的几何形状是已知的，杂波是刚性的，并且我们得到了一个关于物体在某些机器人运动中如何转变的动力学模型。我们的目标是跟踪接触点，使它们靠近物体表面，并根据它们所属的物体进行分割。

具体来说，我们将接触点上的接触误差（CE）定义为从被跟踪点到任何物体表面的最小欧几里得距离。轨迹上的接触误差是所有接触点的平均值。此外，我们使用Fowlkes-Mallows指数（FMI）[14]来评估分割质量，随机分配（随着点的数量增加）的质量接近0，完美分配的质量接近1。

4. 方法

在高层次上，我们的方法使下游任务成为可能，如机器人在只有触觉反馈的环境中 "翻找 "的物体跟踪和检索。为此，我们的方法将机器人轨迹$x_0,...,x_T$和运动过程中检测到的一组接触点（每一个表示$p\in {\mathbb{R}}^3$）作为输入。输出是基于物体运动的跟踪接触点集的分割。我们的方法由三个要素组成：接触检测和隔离、软跟踪和接触点分割，其中接触检测和隔离使用了先前的工作，而其余部分是我们的贡献。在下文中，我们将提供每个组成部分的细节。

A. 接触检测和隔离

为了检测接触，我们利用动量观测器[15]。这个观测器利用机器人的关节扭矩和动力学模型估计施加在机器人上的外部扳手（$\gamma$）。如果超过了指定的阈值$\overline{ϵ}$，我们就会检测到接触，这与[4], [16]相似：

$${\gamma }^T\sum _{meas}^{-1}\gamma >\overline{ϵ}\text{\hspace{1em}(1)}$$

其中 ${\sum }_{meas}^{-1}$ 是残差的精度矩阵，通过在自由空间执行随机行动测量。

一旦检测到，我们就用接触粒子过滤器（CPF）[4]来定位机器人表面上的接触。这个过滤器迭代求解机器人表面的接触位置，假设是一个可以传递力但没有扭矩的点接触–通常被称为 "硬指 "近似[17]。我们注意到，我们方法的其余部分并不取决于接触检测和隔离算法的细节。因此，这一领域的进展可以用来扩展我们方法的功能。

B. 软追踪

STUCCO对所有接触点的位置保持一种信念。一种可能性是独立跟踪每个接触点（例如，用卡尔曼滤波器来估计每个接触点的位置）；然而，这种方法忽略了接触点之间的依赖性，这种依赖性来自于属于同一物体的各点之间的连接。为了利用这一基本假设并表示信念，我们使用一个粒子过滤器，其中每个粒子代表所有接触点的位置和这些接触的相关末端执行器姿势的集合。为方便起见，我们把这对$（p，x）$称为一个点。Alg.1显示了我们如何传播这个信念，而图2描述了我们对单个粒子的方法的一个步骤。

我们的算法是以典型的贝叶斯过滤器的预测和更新步骤交替进行的结构。每个粒子都是独立传播的，因此为了简单起见，我们以单个粒子来描述这个过程。然而，在实践中，这个过程可以在不同的粒子和点之间进行并行化。

我们的方法并不像[9]中的iFilter和[12]中的PHD过滤器那样，明确地跟踪点与物体的关联。相反，在每一步，我们对关联进行取样以预测运动，这就是 "软跟踪 "名称的来源。不正确的关联被向前传播，当更新步骤检测到由过去的错误引起的不一致时，会导致粒子的低可能性。

详细来说，预测步骤（Alg.1中的第11至15行）估计每个接触点在观察到的机器人末端执行器姿势$d_x$的变化时如何移动。由于我们假设机器人是环境中唯一的代理，我们只预测接触时的运动。接触点属于物体；然而，两个接触点属于同一物体的可能性与它们的相对距离成反比。Alg. 1中的第12行用一个特征长度$l$参数来编码。为了确定每个接触点与最近遇到的接触点的相邻关系（属于同一物体），我们根据它们的相对距离提供的可能性随机抽样。同一物体上的接触点和它们相关的末端执行器姿势根据第15行给定的动力学函数pxdyn一起移动。因此，在时间$i<t$的单个接触点$p_{n,i}$只有在与$p_t$相邻时才会移动。

第21行和第17行的更新步骤评估了每个粒子在实现最近的观察结果$p_{obs,n}$的可能性。我们利用接触只能发生在机器人表面这一事实来评估每个粒子。为此，我们定义了函数$pxpen(x,p)$，当末端执行器处于姿势$x$时，如果$p$在机器人外部，则输出0，否则$mi{n}_{p_s\in S(x)}||p-p_s|{|}_2$，其中$S(x)$是机器人表面上$x$处的点集合。

当接触时，接触点的预测运动可能导致任何一对x和p之间的穿透。因此，在第16行中，我们对粒子中所有对之间的穿透力进行加总。相反，在第20行，当脱离接触时，我们只需要针对所有接触点评估观察到的xt，因为没有预测的运动。

在这两种情况下，$p_{obs,n}$的计算与我们在预测步骤中对相邻关系的计算并行，有一个单独的长度参数$l_p$与预期的接触隔离误差（实际接触点与估计接触点的距离）成比例。一个较低的值将导致更多的穿透性假阳性，而一个较高的值将导致更多的假阴性。对于p_{obs}，我们进行标准的粒子过滤器重要性重采样（Alg.1第22行）。

即使在重新取样后，粒子仍然可能有穿透力不一致的情况。这可能是由于没有一个粒子的采样预测是一致的，或者是由于接触隔离或接触动态的错误。为了解决这个问题，我们在重采样后调用ReplaceInconsistentPoints，详见Alg.2。一个点是不一致的，如果它的$p$发生任何穿透，就会被丢弃，并在Alg.2的第6行和第7行中用最接近的一致点取代$p$的欧氏距离。

C. 分割成对象

许多有用的跟踪应用需要对接触点的单一估计以及对物体的硬分配。为了实现这一点，我们的方法根据粒子权重（每一步都用p_{obs}更新）来选择最有可能的粒子（MAP）。Alg. 3详细说明了如何将MAP粒子分割成估计属于同一物体的接触点组。

与Alg.1的第12行类似，我们计算连接概率并将其与阈值$\alpha$进行比较，以确定两点之间是否存在边。由此产生的邻接矩阵$A$描述了所有点上的一个图，我们从中找到连接部分。每个连接组件都是一个对象。我们的分割是一种聚类的形式（比如用BIRCH[18]或DBSCAN[19]），它很适合于不规则和细长的形状，比如属于物体表面的点的集合。这些方法的一个共同弱点是，当噪声或错误在两个聚类之间产生了一个数据点时，就会将两个聚类结合起来。 当机器人的配置与错误的接触点重叠时（在图7中描述），我们的更新过程缓解了这一弱点，并被认为是不一致的，但如果我们的机器人没有探索该位置，这仍然是一个问题。

5. 实验

在本节中，我们对我们的方法的性能进行了评估和基准测试：i）在 "盲目翻找 "政策下对接触点进行跟踪和分割；ii）盲目物体检索（BOR）的下游任务–两者都是在杂乱的环境中。为此，我们首先描述了我们的基线。接下来，我们描述机器人环境和训练数据。然后，我们正式确定了使用接触跟踪的下游BOR任务。最后，我们对我们的方法和基线在模拟和现实世界的杂乱环境中的BOR进行定量评估。

对于所有的任务，我们使用了以下pxdyn：

$$pxdyn(P_n,dx)=(p+F(dx),x+dx)|(p,x)\in P_n\text{\hspace{1em}(2)}$$

其中F提取了姿势变化的线性平移。这个运动模型隐含地假设物体在接触时与机器人一起平移而不旋转。如果物体的属性，如尺寸、形状或压力分布是预先知道的，就可以使用更复杂的运动模型；然而，在我们的实验中，情况并非如此。在这里，我们证明了我们的方法能够部分地缓解这种近似的错误，因为它的一些预测结果是接触点穿透。

为了加快我们的方法，我们实现了Alg. 1来并行地处理每个粒子。特别是，pxpen被实现为对预先计算的离散化（分辨率为1毫米）的终端执行器在链接帧中的有符号距离场的并行查询。接触点从世界框架到链接框架的转换也被实现为并行的。

对于接触隔离，我们使用了[4]中的Single-CPF，它假设每个检测到的接触只发生在一个接触点。我们注意到，虽然在隔离外部施加的扳手的接触方面存在固有的模糊性，但我们的方法对这些错误是稳健的。在真实的机器人上，我们额外考虑了由两个软泡传感器[20]（见图1）中的每一个检测到的接触。这种分布式的触觉传感方式大大缓解了仅使用扳手估计值的模糊性。

A. 基线

我们与保持对所有$p$的单一估计的基线进行比较，在接触的每一步对$p$进行聚类，并将动态函数应用于与$p_t$相同聚类的所有点。基准在聚类方法上有所不同，BIRCH[18]和DBSCAN[19]默认不需要指定聚类的数量。我们实施了一个k-means基线，从一个聚类开始，如果这样做能充分减少惯性（k-means的最小化），就将聚类数量增加1。此外，我们考虑了PHD滤波器的高斯混合（GM）实现[12]。正如第二节所介绍的，这种方法传播物体数量和它们位置的后验强度（一阶矩）。强度被整合以提取离散的目标（物体），我们使用最近的邻居对接触点进行聚类，然后以与聚类方法相同的方式进行传播。

B. 调优训练集

为了模拟，我们使用了来自PANDA手臂的浮动的Franka Emika（FE）抓手（见图4），具有固定的高度和约束的方向。该抓手在PyBullet[21]中模拟，采取离散的行动步骤，其形式为期望的$dx、dy$，每一步的最大运动量为0.03米，沿每个维度。每个模拟时间步长为1/240s，我们缓慢移动以避免物体在机器人上反弹。这里用于接触检测和隔离的残差$\gamma$是由模拟器提供的对抓手的测量力矩。

请注意，我们的方法将接触点作为输入，并不限于平面系统。然而，限制于平面运动可以简化数据收集、接触隔离和BOR的下游任务。

我们的训练集由图3中描述的4个环境中的每个环境的随机起始和目标位置的40次试验组成。我们使用一个贪婪的控制器生成轨迹，该控制器在接触时进入一个长度为6的随机行走。接触时间少于5%的轨迹被丢弃，不作替换，总共产生了129条有效轨迹。

调试包括参数扫描，以使整个训练集上的FMI中值最大化，CE中值最小化。对于我们的方法，要调整的主要参数是特征长度l，它在真实的机器人上是比较大的，以处理一个大水壶。我们调整的参数见Tab.I。BIRCH被调整为阈值0.08，DBSCAN被调整为eps 0.05和最小邻域大小为1，K-means被调整为需要5倍的惯性改进来增加聚类的数量，GMPHD过滤器被调整为出生概率为0.001，产卵概率为0，检测概率为0.3。

图5（上）显示了所有方法在训练集上的调谐性能，其中我们的方法在CE方面优于所有基线。由于我们对杂波中的操纵感兴趣，图5（下）显示了在接触分配不明确的运行中的性能。对于每一步，这是用机器人到第二近的物体的最小距离来计算的，1分的模糊度对应0分的距离，0分的距离对应0.15米或更远。下图显示了平均模糊度至少为0.3的运行。在这些情况下，我们的方法在FMI和CE中都比基线有更大的优势，表明我们的方法很适合杂波。

C. 盲目的对象检索

我们提出了盲目物体检索的问题：在没有视觉感知的情况下对已知几何形状的目标物体进行姿势估计和抓取。为了完成这项任务，机器人在杂乱的环境中翻找，收集接触点，用我们的方法将其分割成物体。利用分割后的物体，机器人在每个物体的接触点集合和从目标物体的已知表面采样的模型点之间运行迭代最接近点（ICP）[22]。从随机的初始姿势开始，ICP运行30次，选择位置估计中方差最小的物体（见图6）。方差的一个重要来源是由于接触点不均匀地分布在物体表面而导致的方向不确定。从所选物体的ICP估计值中，我们进一步选择穿透$x_t$最少的物体，并在平分上选择ICP匹配误差最小的物体。

为了评估成功率，我们在执行给定的翻找策略后，尝试在估计的姿势下进行抓取。抓取成功是一个重要的评估指标，原因有二。首先，它避免了结合位置和方向错误的需要。这些指标通常使用回旋半径进行组合，而回旋半径在运行时可能无法获得。第二，它不惩罚那些可能与任务无关的小姿势错误，可以安全地忽略，而惩罚那些超过与抓手有关的阈值的错误，这将总是导致抓取失败。

D. 模拟中的盲目物体检索

在模拟中，我们设计了4个带有YCB物体的杂乱环境（见图4）[23]，目标是FB、BC和IB中的饼干盒，以及TC中的番茄罐。如果一个抓取动作是在盒子的两条长边上，而不是在角落里，或者是在番茄罐的一半以上的地方，那么这个抓取动作就是成功的。 控制序列是手动创建的，以便与最初靠近的多个物体进行接触，同时进行充分的接触以确定目标。当重放时，每个动作都被均匀的随机噪声扰乱，噪声最大为±0.5毫米（与最大动作步长相比为30毫米）。

我们对每个任务进行了20次运行（每个基线使用相同的随机种子，因此它们在相同的动作下被评估），我们的方法与基线的统计比较总结在表二中。我们的方法是唯一一个在所有任务中取得65%以上抓取成功率的方法，并且取得了明显低于所有基线的接触误差。

我们的方法也取得了比基线更好的FMI。与图5中的训练集相比，FMI分数总体较低，这证明了BOR任务的难度。重要的是，我们的方法的FMI的降低（表明更多的分配错误）并没有转化为CE的增加。这是我们方法的一个关键优势，可以归功于惩罚接触穿透的粒子更新和ReplaceInconsistentPoints函数。

具体来说，行动序列经常在两个物体之间来回移动，最终打开一个缺口并穿过它，如图7所示。震荡运动最初让粒子在缝隙之间留下接触点，但在穿过缝隙后，更新过程将高可能性分配给将接触点分离到两侧的粒子。此外，ReplaceInconsistentPoints用一侧的点替换了中间的剩余点，同时偶尔会出现赋值错误。

基线没有事后纠正关联的机制，所以较低的FMI转化为较高的CE和较低的抓取成功率。然而，尽管CE的误差很高，但由于ICP消除了许多错误的姿势估计，基线有时也能实现抓取成功。

E. 真实的机器人盲对象检索

我们将我们的方法应用于一个真实的7DoF KUKA LBR iiwa手臂上，该手臂上有两个软泡触觉传感器[20]，用于图1中描述的BOR任务。与模拟类似，我们限制我们的运动为平面运动，最大步长为20毫米，使用笛卡尔阻抗控制器实现。KUKA的机载软件利用测量到的关节扭力估计出末端执行器上的外部施加的扳手。为了适应这种测量的有限敏感性，我们对YCB物体进行了填充，以增加其质量并减少测量噪音的影响。

左边和右边的软泡传感器独立地进行接触隔离，如果它们都没有检测到接触，则由CPF进行隔离。每个气泡内部都有一个深度摄像头，用于测量表面变形。变形大于4毫米的像素被认为是变形的。 然后我们对所有变形的像素坐标进行平均，并将该点投射到相机框架上，然后对其进行刚性转换，以产生世界框架中的接触点。由于传感器的可变形性，我们调整了pxpen以忽略前10毫米的穿透力。

为了将Alg. 1扩展到每一步的多个接触点，每一个接触点在第11行的距离与它们最近的新接触点进行测量，并在第15行对它们相关的$dx$进行动态调整。请注意，每个新的接触点的$dx$可能是不同的，因为在行动中的不同时间进行接触。

6. 讨论

本体感觉和触觉驱动的物体状态估计是高度非结构化环境中自主机器人系统的一个重要功能。在这里，我们讨论了一些重要的扩展，这些扩展可以将我们的方法进一步推广到下游任务（如物体检索）中更具挑战性的 "盲 "物体状态估计实例中。这些扩展包括超越点接触的泛化和生成翻箱倒柜的策略。

A. 超越对象平移的泛化

我们的更新步骤可以利用物体运动的不一致性来纠正动力学函数中的错误，例如假设物体的平移没有旋转。然而，它无法处理较高维度的姿势变化，如由倾倒或变形引起的姿势变化。为了解决这个问题，可以从每个接触点中提取更丰富的信息（例如，从软泡中提取初生的滑移），再加上更复杂的物体动力学模型。

B. 超越单点接触的泛化

Alg. 1可以在没有重大变化的情况下推广到单点接触之外。事实上，正如我们在真实的机器人实验中所显示的那样，基本上有三个接触检测器，我们可以很容易地推广到每一步的多个接触。软泡传感器提供了丰富的接触信息，我们希望能在未来的工作中加以利用。网格和非均匀有理B-splines（NURBS）[24]等接触斑点的高级表示方法可以直接取代Alg.1中的接触点，或者与接触点同时存在，只要我们有它们之间有效的配对距离函数。

C. 骚动政策

在本文中，我们的方法假设了一个规定的动作序列，与我们的目标对象进行充分的接触，以唯一地识别它。未来的工作可以使用主动感知来生成这个策略。例如，在使用概率方法（或近似方法，如使用ICP的多次运行来估计目标姿势和相关的不确定性）估计物体姿势后，可以选择一个动作序列来减少不确定性，同时保持与其他接触点集的距离，以减少模糊性。

7. 结论

我们提出了STUCCO，一种接触跟踪方法，它对接触点的位置保持一种信念，以便在事后进行修正。该方法基于这样的基本假设：距离较近的点更有可能在同一个物体上，而且接触只发生在机器人的表面。我们表明，它在杂乱无章的各种盲目物体检索任务中表现良好，并在一个真实的机器人上演示了它的应用。具体来说，它能够处理这样的情况，即最初接触靠近的不同物体，然后在它们被移开时纠正其跟踪。与此相反，我们表明聚类和PHD过滤器基线在这些情况下很困难。最后，在我们的任务中保持对接触点的单一估计的基线的失败表明，对它们保持一种信念以允许事后的修正是有益的。未来的工作将集中在代表丰富的接触斑块和生成翻找策略上。