随着机器人智能化、自动化程度的提高,机器人技术已经被广泛的应用于军事医疗、遥感操控和生活服务等领域。机器人能够依据搭载的传感器对目标物体进行正确的识别是实际应用过程中的一项关键任务,对于实现机器人人机交互和精细化操作十分重要。传统的视觉识别技术发展相对成熟,能够有效的依据检测的物体轮廓形状进行分类,但其识别准确率很容易受到光线或遮挡物等外界环境因素的影响。触觉信息是机器人感知系统中另一种重要模态信息,通过直接接触的方式能够感知物体的材质、硬度和形状等物理属性,基于触觉的物体识别方法恰好可以弥补视觉识别分类技术的不足。机器人触觉识别分类方法的两个关键步骤是组建有效的触觉数据集和搭建高性能的分类模型,其决定着识别方法最终的分类准确率。因此,本文结合欠驱动刚软仿人手实验平台进行了研究,具体的研究内容和成果如下:在研究MPL115A2气压计工作原理的基础上,通过浇筑硅胶的方法制备了一种气压式触觉阵列传感器,并依据卡尔曼滤波算法设计了触觉信息采集系统。为了验证采集系统是否能够满足机器人识别分类需求,还进行了性能评估实验。实验表明,采集系统能够有效的感知抓握过程中的触觉信息变化,传感器具有灵敏度高、重复性误差小的特点。机器人进行抓取物体组建触觉数据集时,除了对触觉采集系统的性能有一定的要求,还必须保证机械手能够以精准的力抓握物体。由于欠驱动刚软仿人手在抓取物体时,柔性指节会依据物体的形状发生变形,具有很大的不确定性,所以不能通过传统的建模方法进行力的跟踪控制。因此,本文设计了一种基于模糊PI技术的力控制系统,并进行了相关的硬件选型与调试,完成了控制系统搭建,能够有效的跟踪指尖压力。识别算法的准确率和分类效率,直接影响着机器人决策的方向和动作的流畅性。传统随机森林等集成学习算法,分类模型一旦完成构建就不再改变,缺乏灵活性,在某些场景下识别准确率不高。为了使分类模型能够依据测试实例进行动态调整,本文结合KNN算法思想设计了一种改进的随机森林算法,并引入了PCA技术,降低触觉特征冗余维度,减少数据处理时间开销,提高算法模型的分类效率。结合触觉信息采集系统和力控制系统,本文搭建了欠驱动刚软仿人手抓取实验平台。通过抓取物体记录指尖压力变化过程,并结合手掌触觉信息组建了数据集,依据改进随机森林模型进行了分类。实验结果表明,模糊PI控制技术能够较好的进行指尖压力跟踪,改进的随机森林算法相比传统算法具有更高的识别准确率和分类效率,该仿人手抓取识别系统能够有效的基于触觉信息完成识别分类。