Comparison of Motion Encoding Frameworks on Human Manipulation Actions

要約

動きの生成、特に目に見えない状況への一般化は、ロボット工学において重要な役割を果たします。
スプライン ベースの方法、動的システム ベースの方法、混合ガウス モデル (GMM) に基づく方法など、さまざまなタイプの動き生成方法が存在します。
この論文では、人間の操作に関する大規模な新しいデータセットを使用して、最も広く使用されている 3 つの動きのエンコーディングおよび生成フレームワーク、つまり動的動作プリミティブ (DMP)、時間ベースの混合ガウス回帰 (tbGMR)、および動的動作の安定推定量の非常に詳細な比較を提供します。
システム (SEDS)。
これらのフレームワークを、動きの符号化効率、再構成の精度、動きの一般化機能に関して比較します。
新しいデータセットは、12 人の人間によって実行される 9 つのオブジェクト操作アクション (ピックアンドプレース、上に置く/下ろす、中に入れる/取り出す、隠す/明らかにする、押す/引く) で構成されており、合計 7,652 の動作例が含まれています。
私たちの分析では、十分な数のカーネルが使用されている場合、動きのエンコードと再構成に関しては、パラメーターの数と再構成の精度の点で DMP が最も効率的なフレームワークであることが示されています。
新しい開始点と終了点の状況に対する動作の一般化の場合、DMP とタスクのパラメーター化された GMM (TP-GMM、tbGMR に基づく動作の一般化フレームワーク) は同様のパフォーマンスをもたらし、SEDS を上回ります。
さらに、TP-GMM と SEDS は、DMP と比較してエンドポイントへの収束が不正確であることが観察されています。
これらのさまざまな定量的結果は、将来のロボット アプリケーションにおいて、改善されたタスク依存の方法で軌道表現を設計するのに役立ちます。

要約(オリジナル)

Movement generation, and especially generalisation to unseen situations, plays an important role in robotics. Different types of movement generation methods exist such as spline based methods, dynamical system based methods, and methods based on Gaussian mixture models (GMMs). Using a large, new dataset on human manipulations, in this paper we provide a highly detailed comparison of three most widely used movement encoding and generation frameworks: dynamic movement primitives (DMPs), time based Gaussian mixture regression (tbGMR) and stable estimator of dynamical systems (SEDS). We compare these frameworks with respect to their movement encoding efficiency, reconstruction accuracy, and movement generalisation capabilities. The new dataset consists of nine object manipulation actions performed by 12 humans: pick and place, put on top/take down, put inside/take out, hide/uncover, and push/pull with a total of 7,652 movement examples. Our analysis shows that for movement encoding and reconstruction DMPs are the most efficient framework with respect to the number of parameters and reconstruction accuracy if a sufficient number of kernels is used. In case of movement generalisation to new start- and end-point situations, DMPs and task parameterized GMM (TP-GMM, movement generalisation framework based on tbGMR) lead to similar performance and outperform SEDS. Furthermore we observe that TP-GMM and SEDS suffer from inaccurate convergence to the end-point as compared to DMPs. These different quantitative results will help designing trajectory representations in an improved task-dependent way in future robotic applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google