Predicting human motion intention for pHRI assistive control

要約

この研究では、物理的なヒューマン ロボット インタラクション (pHRI) タスク中の人間の意図の識別に取り組み、この情報を支援コントローラーに含めます。
この目的のために、人間の意図は、ロボットがそれを追跡するのを支援できるように、人間が有限の回転予測範囲にわたってたどりたい望ましい軌道として定義されます。
この研究では、リカレント ニューラル ネットワーク (RNN)、特に完全接続層とカスケードされた長期短期記憶 (LSTM) を調査します。
特に、モデルを適応させるための反復トレーニング手順を提案します。
このような反復手順は、予測誤差を減らすのに強力です。
それでも、時間がかかり、さまざまなユーザーやさまざまな共同操作対象オブジェクトに一般化できないという欠点があります。
この問題を解決するために、転移学習 (TL) は、LSTM 層をフリーズし、最後の FC 層を微調整することで、事前トレーニングされたモデルを新しい軌道、ユーザー、および共同操作されるオブジェクトに適応させ、手順を高速化します。
実験では、反復手順によりモデルが適応され、予測誤差が減少することが示されています。
実験では、TL がさまざまなユーザーや大きなオブジェクトの共同操作に適応することも示されています。
最後に、提案手法の採用の有用性を確認するために、意図予測によって強化された提案コントローラを、pHRI の他の 2 つの標準コントローラと比較します。

要約(オリジナル)

This work addresses human intention identification during physical Human-Robot Interaction (pHRI) tasks to include this information in an assistive controller. To this purpose, human intention is defined as the desired trajectory that the human wants to follow over a finite rolling prediction horizon so that the robot can assist in pursuing it. This work investigates a Recurrent Neural Network (RNN), specifically, Long-Short Term Memory (LSTM) cascaded with a Fully Connected layer. In particular, we propose an iterative training procedure to adapt the model. Such an iterative procedure is powerful in reducing the prediction error. Still, it has the drawback that it is time-consuming and does not generalize to different users or different co-manipulated objects. To overcome this issue, Transfer Learning (TL) adapts the pre-trained model to new trajectories, users, and co-manipulated objects by freezing the LSTM layer and fine-tuning the last FC layer, which makes the procedure faster. Experiments show that the iterative procedure adapts the model and reduces prediction error. Experiments also show that TL adapts to different users and to the co-manipulation of a large object. Finally, to check the utility of adopting the proposed method, we compare the proposed controller enhanced by the intention prediction with the other two standard controllers of pHRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google