當(dāng)前位置：首頁 > 新聞資訊 > 機(jī)器人應(yīng)用 > 機(jī)器人輔助穿衣過程中用戶上肢運(yùn)動(dòng)實(shí)時(shí)追蹤方法

機(jī)器人輔助穿衣過程中用戶上肢運(yùn)動(dòng)實(shí)時(shí)追蹤方法

來源：CAAI認(rèn)知系統(tǒng)與信息處理專委會(huì) 編輯：創(chuàng)澤時(shí)間：2020/5/18 主題：其他 [加盟]

1、論文背景
機(jī)器人可以為殘疾人或老年人的日常生活提供J大幫助，比如說機(jī)器人輔助穿衣。然而穿衣過程中，用戶上肢的突然動(dòng)作可能導(dǎo)致穿衣任務(wù)的失敗，甚至為用戶帶來危險(xiǎn)。使用視覺傳感器實(shí)時(shí)追蹤用戶上肢運(yùn)動(dòng)（user posture tracking）非常困難，因?yàn)橐路蜋C(jī)器人都對用戶造成了遮擋。例如，使用開源骨骼追蹤框架（OpenNI Skeleton Tracker [1]）和深度學(xué)習(xí)方法OpenPose [2]，均無法實(shí)施準(zhǔn)確的追蹤用戶上肢運(yùn)動(dòng)。

為了解決上述問題，我們提出了一種多傳感器信息融合的人體骨骼實(shí)時(shí)追蹤方法。本文研究主要包括以下三點(diǎn)：，我們通過G斯隱變量模型（Gaussian Process Latent VariableModel，GP-LVM），將運(yùn)動(dòng)上肢的G維運(yùn)動(dòng)映射至低維度的隱變量空間中（latent space）。該空間可以針對不同用戶的不同上肢殘疾特點(diǎn)，建立個(gè)性化用戶輔助模型（personalized user model）。第二，我們在隱變量空間中使用貝葉斯網(wǎng)絡(luò)（Bayesian networks），該網(wǎng)絡(luò)融合了機(jī)器人和用戶之間力的信息，以及機(jī)器人末端位置信息，進(jìn)而實(shí)時(shí)追蹤人體上肢運(yùn)動(dòng)。第三，我們使用層J多任務(wù)控制（hierarchical multi-task control)，使機(jī)器人既可以基于力的信息自動(dòng)改變運(yùn)動(dòng)軌跡從而保證用戶安全，又可以完成穿衣任務(wù)。

圖1 Baxter機(jī)器人輔助殘疾人穿衣

2、系統(tǒng)概述
如圖2所示，我們要求健康用戶穿著繃帶來模擬上肢殘疾情況。我們將采集用戶上肢隨機(jī)運(yùn)動(dòng)的數(shù)據(jù)，將其映射至二維隱變量空間中建立個(gè)性化用戶模型。在該二維空間中，我們采用基于概率的粒子濾波方法（particle filter），完成多傳感器信息融合（機(jī)器人與用戶間力的信息，機(jī)器人末端執(zhí)行器位置信息），從而實(shí)現(xiàn)用戶上肢運(yùn)動(dòng)的實(shí)時(shí)準(zhǔn)確追蹤。在我們之前的研究中 [3], 我們將機(jī)器人穿衣動(dòng)作描述為兩個(gè)層J任務(wù)：G層J任務(wù)即機(jī)器人根據(jù)力的信息調(diào)整運(yùn)動(dòng)軌跡，從而實(shí)時(shí)減小用戶的受力情況，確保用戶的舒適與安全；低層J任務(wù)即通過PD控制完成從瘦-肘-肩關(guān)鍵的穿衣軌跡，該軌跡由本文的用戶上肢追蹤方法實(shí)時(shí)更新。

圖2 系統(tǒng)概括圖

圖3展示了完整的穿衣過程。當(dāng)用戶在穿衣過程抬起胳膊時(shí)，機(jī)器人也相應(yīng)改變軌跡來減少受力情況，并實(shí)時(shí)運(yùn)行至新的肘關(guān)節(jié)和肩關(guān)節(jié)位置。

圖3 機(jī)器人穿衣過程

圖4 展示了在低維隱變量空間內(nèi)粒子濾波的過程。我們根據(jù)力和位置的信息為每個(gè)粒子賦予新權(quán)重，從而循環(huán)更新。圖中顏色越淺代表權(quán)重越G。

圖4 低維隱變量空間內(nèi)粒子濾波

3、實(shí)驗(yàn)分析
本文先對隱變量空間個(gè)性化用戶模型進(jìn)行分析，如圖5所示。該模型有一下3個(gè)特點(diǎn)：，該模型可以描述不同用戶的不同上肢殘疾特點(diǎn)。圖5里面不同顏色即代表不同殘疾情況的運(yùn)動(dòng)空間；第二點(diǎn)，低維空間J大減小了粒子濾波的計(jì)算量；第三點(diǎn)，該個(gè)性化模型權(quán)衡了用戶殘疾上肢運(yùn)動(dòng)的可達(dá)性 (reachability) 和用戶偏好（preference）。

本文還進(jìn)行了一些列對比試驗(yàn)，其中包括了與只用視覺方法追蹤的誤差比較，如圖6所示。本文所提出的方法產(chǎn)生了3.3cm的誤差，是視覺追蹤誤差的六分之一。

本文在20名用戶上完成了相關(guān)實(shí)驗(yàn)測試。每個(gè)用戶進(jìn)行50次試驗(yàn)并模擬不同的殘疾類型，如圖7所示。

4、分析與結(jié)論
本文提出了一種利用多傳感器信息在低維隱變量空間中實(shí)時(shí)追蹤用戶運(yùn)動(dòng)的方法。該方法為在物理人機(jī)交互（physical human-robot interaction）中，當(dāng)人體運(yùn)動(dòng)被嚴(yán)重遮擋而無法用單一視覺信息完成追蹤的問題，提供了一種解決方案。

參考文獻(xiàn)：
[1] http://wiki.ros.org/openni_tracker
[2] Cao, Zhe, et al. "Realtimemulti-person 2d pose estimation using part affinity fields." Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition. 2017
[3] Zhang, Fan, Antoine Cully, andYiannis Demiris. "Personalized robot-assisted dressing using user modelingin latent spaces." 2017 IEEE/RSJ International Conference on IntelligentRobots and Systems (IROS). IEEE, 2017.