[論文レビュー] Human-robot co-manipulation of extended objects: Data-driven models and control from analysis of human-human dyads

Erich Mielke, Eric Townsend+2 more|arXiv (Cornell University)|Jan 3, 2020

Robot Manipulation and Learning被引用数 4

ひとこと要約

本論文は、人間同士の対の運動および力データを用いて、人間の意思を予測し、直感的で適応的な制御を可能にする、データ駆動型の人間-ロボット共同操作フレームワークを提案する。再帰的ニューラルネットワーク（RNN）に基づく制御器（NNPC）は、作業完了時間と正確性において、力に基づく制御器（EVIC）を上回るが、ユーザーはEVICの安全性と予測可能性を高く評価しており、性能と人間の信頼の間のトレードオフが浮き彫りになる。

ABSTRACT

Human teams are able to easily perform collaborative manipulation tasks. However, for a robot and human to simultaneously manipulate an extended object is a difficult task using existing methods from the literature. Our approach in this paper is to use data from human-human dyad experiments to determine motion intent which we use for a physical human-robot co-manipulation task. We first present and analyze data from human-human dyads performing co-manipulation tasks. We show that our human-human dyad data has interesting trends including that interaction forces are non-negligible compared to the force required to accelerate an object and that the beginning of a lateral movement is characterized by distinct torque triggers from the leader of the dyad. We also examine different metrics to quantify performance of different dyads. We also develop a deep neural network based on motion data from human-human trials to predict human intent based on past motion. We then show how force and motion data can be used as a basis for robot control in a human-robot dyad. Finally, we compare the performance of two controllers for human-robot co-manipulation to human-human dyad performance.

研究の動機と目的

• 移動と回転の間で意思の曖昧性が生じる、延長された剛体物体の人間-ロボット共同操作の課題に対処すること。
• 人間同士の相互作用パターンから学習する制御フレームワークを開発し、直感的で適応的な身体的共同人間-ロボットインタラクションを可能にすること。
• ニューラルネットワークベースの制御器（NNPC）と力に基づく制御器（EVIC）および盲目の人間同士の対との間で、パフォーマンスとユーザーの認識を比較すること。
• 人間の対の運動および力データが、延長物体を伴う共同操作タスクにおいて、人間の意思を信頼性高く予測できるかどうかを調査すること。
• 深層学習を人間の運動データに適用することで、共同操作におけるリアルタイムで応答性のあるロボット制御を可能にする実現可能性を評価すること。

提案手法

• 長さのある板を剛体物体として用いて、21組の対の人が平面的共同操作タスクを実行する際の運動および力データを収集した。
• 人間同士のデータを分析し、顕著な相互作用力、動き開始時のトルクトリガー、およびミニマム・ジャークに類似した軌道という傾向を同定した。
• 過去の運動データ（位置、速度）を用いて再帰的ニューラルネットワーク（RNN）を訓練し、将来的な人間の意思を速度の観点から予測した。
• Baxterロボットにモバイルベースを装備し、RNNを用いて意思を推定し、ロボットの運動を命令するニューラルネットワークベースの制御器（NNPC）を実装した。
• 3自由度平面的共同操作を対象として、標準的および二腕制御のインピーダンス制御を改善した、新規の拡張変数インピーダンス制御（EVIC）を設計・評価した。
• 完了時間、軌道の滑らかさ、ユーザーの好みを指標として、NNPCとEVICを、盲目の人間同士の対との間でテーブル運搬タスクにおいて比較した。

実験結果

リサーチクエスチョン

• RQ1 人間同士の対の運動および力データは、延長物体を伴う共同操作タスクにおいて、人間の意思を信頼性高く予測できるか？
• RQ2 深層学習ベースの意思予測器（RNN）と力に基づく制御器（EVIC）の間で、パフォーマンスとユーザーの認識はどのように異なるか？
• RQ3 最小ジャーブ軌道やトルクトリガーといった人間同士の共同操作パターンは、効果的な人間-ロボット制御戦略にどの程度寄与するか？
• RQ4 データ駆動型で運動に基づく制御器（NNPC）は、人間同士の対と同等のパフォーマンスを達成できるか？
• RQ5 より優れた指標を示すにもかかわらず、ユーザーは性能が劣る力に基づく制御器（EVIC）を、学習ベースの制御器（NNPC）よりも好むのはなぜか？

主な発見

• RNNベースの制御器（NNPC）は、作業完了時間と軌道の正確性において、EVIC制御器を顕著に上回り、人間の運動データからの学習の有効性を示した。
• NNPCは、盲目の人間同士の対と同等の完了時間パフォーマンスを達成し、運動に基づく意思予測が人間水準の協働を模倣できることを示した。
• 優れたパフォーマンスにもかかわらず、ユーザーはEVIC制御器を好んだ。これは、安全性の高さ、予測可能性、混乱の低減という点で評価されたもので、信頼とパフォーマンスのトレードオフを浮き彫りにした。
• 人間パートナー間の相互作用力は無視できないほど大きく、コミュニケーションの重要な役割を果たしており、共同操作において力は最小限に抑えるべきだとする仮定に反した。
• 横方向の移動の開始は、常にリーダーからのトルクトリガーによって引き起こされ、意思の明確なバイオメカニカルな特徴が確認された。
• ミニマム・ジャーク軌道からの逸脱は、共同操作のパフォーマンスを評価する有効な指標であり、滑らかな軌道はより良い協調性を示している。