[논문 리뷰] Dynamic Movement Primitives in Robotics: A Tutorial Survey

Matteo Saveriano, Fares J. Abu‐Dakka외 2명|arXiv (Cornell University)|2021. 02. 07.

Muscle activation and electromyography studies참고 문헌 318인용 수 46

한 줄 요약

로봇공학에서 Dynamic Movement Primitives(DMPs)를 통합, 분석, 검토하는 포괄적 튜토리얼 설문으로, 고전 공식화, 확장, 구현 및 열린 이슈를 다룹니다.

ABSTRACT

Biological systems, including human beings, have the innate ability to perform complex tasks in versatile and agile manner. Researchers in sensorimotor control have tried to understand and formally define this innate property. The idea, supported by several experimental findings, that biological systems are able to combine and adapt basic units of motion into complex tasks finally lead to the formulation of the motor primitives theory. In this respect, Dynamic Movement Primitives (DMPs) represent an elegant mathematical formulation of the motor primitives as stable dynamical systems, and are well suited to generate motor commands for artificial systems like robots. In the last decades, DMPs have inspired researchers in different robotic fields including imitation and reinforcement learning, optimal control,physical interaction, and human-robot co-working, resulting a considerable amount of published papers. The goal of this tutorial survey is two-fold. On one side, we present the existing DMPs formulations in rigorous mathematical terms,and discuss advantages and limitations of each approach as well as practical implementation details. In the tutorial vein, we also search for existing implementations of presented approaches and release several others. On the other side, we provide a systematic and comprehensive review of existing literature and categorize state of the art work on DMP. The paper concludes with a discussion on the limitations of DMPs and an outline of possible research directions.

연구 동기 및 목표

• 모터 프리미티브 이론과 DMP가 로봇 모션 생성을 위한 안정된 동적 시스템을 어떻게 형식화하는지 설명한다.
• 고전 DMP와 그 확장에 대한 통합된 수학적 해석을 제공한다.
• 제어 프레임워크 및 학습 패러다임에의 DMP 통합을 검토한다.
• 이용 가능한 구현을 조사하고 실용적 고려사항과 한계에 대해 논의한다.
• 열려 있는 이슈를 식별하고 잠재적인 향후 연구 방향을 제시한다.

제안 방법

• 엄밀한 수학적 용어로 이산 및 리듬 운동에 대한 고전적 및 확장된 DMP 형식을 제시한다.
• Locally Weighted Regression(LWR) 및 대안(GMM, GMR, GP, NN)과 같은 방법을 통한 강제항(forcing term) 학습을 논의한다.
• 타이밍 및 정지를 위한 위상 변수 및 지수형, 시그모이달형, 조각별(piecewise), 선형 등 대안들을 설명한다.
• 쿼터니언과 회전 행렬로의 방향 표현 및 SPD 매니폴드로의 확장을 다룬다.
• 조작, 학습 및 상호작용 프레임워크에의 DMP 통합을 조사하고 오픈 소스 구현을 제공한다.

실험 결과

연구 질문

• RQ1 이산 및 리듬 운동에 대한 고전적 및 확장된 DMP 형식은 무엇인가?
• RQ2 데모로부터 DMP를 어떻게 학습하고 작업 및 공간 전반에 걸쳐 일반화할 수 있는가?
• RQ3 방향성, SPD 행렬 및 상호작용 과제를 다루기 위해 DMP를 어떻게 확장할 수 있는가?
• RQ4 다양한 응용에서 DMP의 실용적 고려사항, 구현 및 한계는 무엇인가?
• RQ5 포괄적 DMP 설문에서 어떤 열려 있는 이슈와 향후 방향이 도출되는가?

주요 결과

• DMP는 데이터로부터 학습하고 실시간으로 교란에 대응할 수 있는 안정적이고 유연한 모션 생성을 제공한다.
• 이 튜토리얼은 방향성 및 SPD 매니폴드 표현을 포함한 여러 DMP 형식과 확장을 통합한다.
• 강제항의 학습은 LWR, GMM/GMR, GP 또는 신경망으로 수행될 수 있으며, 다수의 시연이 일반화 성능을 향상시킨다.
• 위상 변수 선택과 위상 정지/목표 전환은 유연한 타이밍 및 온라인 적응을 가능하게 한다.
• 채택을 촉진하기 위해 광범위한 구현 및 오픈 소스 리소스가 정리되어 있다.
• 이 설문은 한계점을 구분하고 DMP의 향후 연구 방향을 제시한다.