[論文レビュー] Object Handover Prediction using Gaussian Processes clustered with Trajectory Classification

M. Lang, Satoshi Endo+2 more|arXiv (Cornell University)|Jul 10, 2017

Gaussian Processes and Bayesian Inference参考文献 1被引用数 6

ひとこと要約

本稿では、マハラノビス距離を用いた確率的トラジェクトリ分類でクラスタリングされた階層的ガウス過程（GP）フレームワークを提案し、リアルタイムで人の物体渡し動作を予測する。6次元（6D）の手の軌道をデュアルクaternionでモデル化し、平均的に43.4%の軌道長さで動作の初期段階で渡し方の構成を分類することで、人間の運動ばらつきの範囲内で最終的な手の構成を正確に予測する。$d_{\text{mag}}$ 距離指標を用いた平均二乗誤差（RMSE）は0.0029である。

ABSTRACT

A robotic system which approximates the user intention and appropriate complimentary motion is critical for successful human-robot interaction. %While the existing wearable sensors can monitor human movements in real-time, prediction of human movement is a significant challenge due to its highly non-linear motions optimised through the redundancy in the degrees of freedom. Here, we demonstrate robustness of the Gaussian Process (GP) clustered with a stochastic classification technique for trajectory prediction using an object handover scenario. By parametrising real 6D hand movements during human-human object handover using dual quaternions, variations of handover configurations were classified in real-time and then the remaining hand trajectory was predicted using the GP. The results highlights that our method can classify the handover configuration at an average of $43.4\%$ of the trajectory and the final hand configuration can be predicted within the normal variation of human movement. In conclusion, we demonstrate that GPs combined with a stochastic classification technique is a robust tool for proactively estimating human motions for human-robot interaction.

研究の動機と目的

• 物体渡し中の人の運動意図を正確に予測することで、プロアクティブな人間-ロボット協調を可能にすること。
• 文脈依存の人の運動変動に一般化できない標準的なGPの限界を克服すること。
• 従来のHMMベースの手法と比較して、渡し方の構成の早期分類を改善すること。
• 位置と姿勢を含む6次元剛体運動（並進と回転）を不確実性の評価とともにデュアルクaternionを用いてモデル化すること。
• 確率的分類とGP回帰を統合し、HRIにおけるリアルタイムで頑健な運動予測を実現すること。

提案手法

• 位置と姿勢を統一的かつ回転不変な形で表現できるように、6次元の手の軌道をデュアルクaternionでパrametrizeする。
• デュアルクaternion上でのガウス過程回帰を適用し、非線形的かつ不確実性を伴う6次元運動を不確実性推定とともにモデル化する。
• 観測されたポーズと基準軌道との類似度を測るための類似度指標として、修正されたマハラノビス距離を用いることで、リアルタイム分類を実現する。
• 絶対的および相対的しきい値に基づいて低確率の状態を排除する、確率的分類を組み込んだ階層的クラスタリング手法を実装する。
• 各条件ごとに15本の軌道でGPを学習し、50本のホールドアウトテスト軌道で分類および予測性能を評価する。
• $d_{\text{mag}}$ 距離指標を用いて、予測されたと実際のデュアルクaternion速度の間の平均二乗誤差（RMSE）を計算する。

実験結果

リサーチクエスチョン

• RQ1 マハラノビス距離に基づく確率的分類手法は、人の動作中に渡し方の構成を早期かつ正確に認識可能か？
• RQ2 デュアルクaternion上でのガウス過程は、物体渡し中の6次元手の軌道を不確実性とともにどれほど正確に予測できるか？
• RQ3 本手法は、最先端のHMMベースの手法と比較して、どの程度早く正しい渡し方の構成を分類できるか？
• RQ4 分類とGP予測の統合は、人間の運動ばらつきの範囲内で全体の運動予測精度を向上させるか？
• RQ5 本手法は、人間-ロボット協調分野における既存の手法と比較して、性能と頑健性の面で優れているか？

主な発見

• 提案手法は、平均的に軌道長さの43.4%の時点で正しい渡し方の構成を分類しており、一般的なHMMベースの手法と比較して著しく早期である。
• 50本のテスト軌道すべてで正しく分類される100%の正答率を達成しており、リアルタイムでの構成認識において高い信頼性を示している。
• 最終的な手の構成が人間の運動ばらつきの範囲内に予測されており、運動予測の高精細性を示している。
• GPで予測されたデュアルクaternion速度の平均二乗誤差（RMSE）は、$d_{\text{mag}}$ 距離指標を用いて0.0029であり、高い予測精度を示している。
• マハラノビス距離を用いた階層的分類は、誤った構成を早期に排除し、頑健性を向上させるとともに誤検出を低減している。
• 本フレームワークは、並進成分と回転成分の両方を、不確実性評価を伴う1つの統合回帰モデルで効果的にモデル化できている。