[논문 리뷰] A Generalized Robotic Handwriting Learning System based on Dynamic Movement Primitives (DMPs)

Qian Luo, Jing Wu외 1명|arXiv (Cornell University)|2020. 12. 07.

Robot Manipulation and Learning참고 문헌 13인용 수 7

한 줄 요약

이 논문은 동적 운동 원리(DMP) 기반으로 보다 일반화된 로봇 필기 학습 시스템인 DMP*를 제안한다. DMP*는 궤적의 정확한 모방 및 스타일 일반화를 향상시킨다. 가우시안 커널의 형태와 수를 최적화함으로써, DMP*는 인간의 필기 시범에서 강인한 학습을 가능하게 하여 물리적 로봇 플랫폼을 사용해 기존 문자를 재현하고, 다중 스토크 궤적에서 일관된 필기 스타일을 유지한 채 새로운 문자를 생성할 수 있도록 한다.

ABSTRACT

Learning from demonstration (LfD) is a powerful learning method to enable a robot to infer how to perform a task given one or more human demonstrations of the desired task. By learning from end-user demonstration rather than requiring that a domain expert manually programming each skill, robots can more readily be applied to a wider range of real-world applications. Writing robots, as one application of LfD, has become a challenging research topic due to the complexity of human handwriting trajectories. In this paper, we introduce a generalized handwriting-learning system for a physical robot to learn from examples of humans' handwriting to draw alphanumeric characters. Our robotic system is able to rewrite letters imitating the way human demonstrators write and create new letters in a similar writing style. For this system, we develop an augmented dynamic movement primitive (DMP) algorithm, DMP*, which strengthens the robustness and generalization ability of our robotic system.

연구 동기 및 목표

• 전문 프로그래밍 없이 인간 시범에서 학습하는 일반화된 로봇 필기 시스템을 개발하는 것.
• 변형된 척도, 시작/종료 위치, 필기 스타일을 가진 임의의 형태의 다중 스토크 필기 궤적을 학습하는 데 도전하는 것.
• 로봇이 시범으로 제시된 문자를 재현할 뿐 아니라 동일한 필기 스타일로 새로운 문자를 생성할 수 있도록 하는 것.
• 실세계 로봇 필기 응용 분야에서 DMP의 강인성과 일반화 능력을 향상시키는 것.

제안 방법

• 시스템은 인간의 필기 시범에서 3차원 궤적을 정밀도 최소 10⁻³ 미터로 측정하기 위해 운동 캡처 시스템을 사용한다.
• 궤적 피팅을 향상시키기 위해 강력 기능 내에서 가우시안 커널의 형태와 수를 최적화하는 수정된 DMP 알고리즘인 DMP*를 적용한다.
• 펜을 들어올리는 것을 감지하기 위해 z축 속도와 위치 임계값 기반의 차분 방법을 사용해 스토크 분할을 수행한다.
• DMP* 알고리즘은 개별 스토크를 별개의 DMP로 학습함으로써 모듈러한 기술 학습과 재조합을 가능하게 한다.
• 궤적은 ROS 기반 제어 파이프라인을 통해 처리되고, 마커 펜을 사용하는 Fetch 로봇에서 실행된다.
• 학습된 DMP를 재조합하고 종료 위치를 조정함으로써 스타일 전이를 지원한다. 이 과정에서 필기 스타일은 유지된다.

실험 결과

연구 질문

• RQ1 몇 개의 인간 필기 시범에서 일반화하여 유사한 필기 스타일을 가진 새로운 문자를 재현할 수 있는 로봇 시스템은 어떻게 설계할 수 있는가?
• RQ2 복잡한 다중 스토크 필기 궤적을 학습할 때 표준 DMP의 어떤 수정이 정확성과 강인성을 향상시키는 데 필요한가?
• RQ3 DMP 강력 기능 내의 커널 형태와 수는 학습 성능과 일반화에 어떤 영향을 미치는가?
• RQ4 DMP 기반 시스템은 연속된 필기 운동에서 개별 스토크를 신뢰성 있게 분할하고 학습할 수 있는가?
• RQ5 단지 몇 개의 시범만으로도 시스템은 다양한 문자 간 필기 스타일을 얼마나 잘 전이할 수 있는가?

주요 결과

• 표준 DMP보다 DMP*가 궤적 재현 정확도를 크게 향상시켜 'a', 'b', 'e', 'm'과 같은 시범으로 제시된 문자를 거의 동일한 형태로 재구성할 수 있었다.
• z축 속도와 위치 임계값을 사용한 시스템은 'D'와 같은 다중 스토크 문자를 명확한 스토크로 성공적으로 분할했다.
• 학습된 DMP를 수정된 종료 위치로 재조합함으로써, 원래 'D' 시범과 동일한 필기 스타일을 가진 새로운 문자 'P'를 생성했다.
• 궤적 생성 중 종료 위치를 변경해도 필기 스타일을 유지함으로써 시스템의 강인성을 입증했다.
• 모션 캡처를 통한 데이터 수집부터 실세계 로봇 실행에 이르는 전체 파이프라인은 Fetch 로봇에서 성공적으로 구현되어, 시스템의 종단 간 기능성과 유효성을 검증했다.