[논문 리뷰] Goal Set Inverse Optimal Control and Iterative Re-planning for Predicting Human Reaching Motions in Shared Workspaces

Jim Mainprice, Rafi Hayne외 1명|arXiv (Cornell University)|2016. 06. 07.

Robot Manipulation and Learning참고 문헌 33인용 수 4

한 줄 요약

이 논문은 공유 작업 환경에서 인간의 접근 동작을 예측하기 위해 반복적 재계획을 통합한 목표 집합 역최적제어(Implicit Optimal Control, IOC) 프레임워크를 제안한다. 인간의 운동 캡처 데이터로부터 비용 함수를 학습하고, 이를 STOMP 기반 계획기에서 목표 영역을 동적으로 재계획하는 데 사용함으로써, 수동으로 조정된 기준선 대비 인간-인간 및 인간-로봇 협업 접근 작업에서 더 높은 정확도를 보이며, 인간이 로봇의 동작에 적응할수록 정확도가 향상됨을 입증한다.

ABSTRACT

To enable safe and efficient human-robot collaboration in shared workspaces it is important for the robot to predict how a human will move when performing a task. While predicting human motion for tasks not known a priori is very challenging, we argue that single-arm reaching motions for known tasks in collaborative settings (which are especially relevant for manufacturing) are indeed predictable. Two hypotheses underlie our approach for predicting such motions: First, that the trajectory the human performs is optimal with respect to an unknown cost function, and second, that human adaptation to their partner's motion can be captured well through iterative re-planning with the above cost function. The key to our approach is thus to learn a cost function which "explains" the motion of the human. To do this, we gather example trajectories from pairs of participants performing a collaborative assembly task using motion capture. We then use Inverse Optimal Control to learn a cost function from these trajectories. Finally, we predict reaching motions from the human's current configuration to a task-space goal region by iteratively re-planning a trajectory using the learned cost function. Our planning algorithm is based on the trajectory optimizer STOMP, it plans for a 23 DoF human kinematic model and accounts for the presence of a moving collaborator and obstacles in the environment. Our results suggest that in most cases, our method outperforms baseline methods when predicting motions. We also show that our method outperforms baselines for predicting human motion when a human and a robot share the workspace.

연구 동기 및 목표

• 안전하고 효율적인 인간-로봇 상호작용을 위해 공동 작업 환경에서 인간의 접근 동작을 정확하게 예측할 수 있도록 하는 것.
• 관찰된 궤적에서 유도된 알려지지 않은 비용 함수에 대해 인간의 운동을 최적화된 것으로 모델링하는 것.
• 학습된 비용 함수를 사용해 반복적 재계획을 통해 협업자 동작에 대한 인간의 적응을 포착하는 것.
• 특히 동적 간섭 상황에서 인간-인간 및 인간-로봇 협업 설정에서 방법을 평가하는 것.
• 역최적제어에 목표 집합 재계획을 결합할 경우 수동 조정된 비용 함수보다 더 나은 운동 예측을 이끌어내는 것의 증명

제안 방법

• 공동 조립 작업을 수행하는 인간 쌍으로부터 운동 캡처 데이터를 수집하고, 개별적인 접근 동작으로 분할한다.
• 경로 적분 역강화학습(PIIRL)을 사용해 매끄러움과 상대 간격을 표현하는 특징 함수의 가중 합으로서의 비용 함수를 학습한다.
• 움직이는 협업자와 장애물을 고려한 동적 환경에서 반복적 재계획을 수행할 수 있도록 STOMP 궤적 최적화기의 변형을 수행한다.
• 고정된 목표 점이 아닌 작업 공간 목표 영역을 검색 대상으로 설정하여 불확실성에 대한 강건성을 향상시킨다.
• 동일한 특징 함수를 로봇 운동학에 매핑하여 인간-로봇 공유 작업 환경에서의 예측을 가능하게 한다.
• 예측 성능 평가를 위해 예측 궤적과 실제 궤적 간의 동적 시간 왜곡(DTW)을 관절 공간 및 작업 공간에서 모두 측정한다.

실험 결과

연구 질문

• RQ1 역최적제어에 반복적 재계획을 적용할 경우, 공동 작업 환경에서 인간의 접근 동작을 정확하게 예측할 수 있는가?
• RQ2 인간의 시연로부터 학습한 비용 함수가 인간의 운동을 예측할 때 수동 조정된 비용 함수보다 성능이 뛰어나게 되는가?
• RQ3 인간-로봇 공유 작업 환경에서 인간이 로봇의 동작에 적응함에 따라 제안된 방법의 예측 정확도는 어떻게 변화하는가?
• RQ4 운동 간섭이 심한 상황에서 반복적 재계획이 단일 스탭 계획보다 인간의 협업자 동작 적응을 얼마나 더 잘 포착하는가?
• RQ5 인간-인간 상호작용에서 학습한 동일한 비용 함수를 인간-로봇 협업에서 인간의 운동을 예측하는 데 효과적으로 적용할 수 있는가?

주요 결과

• DTW 점수 측정 결과, IOC 기반 방법이 관찰된 궤적과의 거리에서 작업 공간 및 관절 중심 거리 측면에서 모두 기준선(기준 0 및 기준 1)보다 우수한 예측 성능을 보였다.
• 인간-로봇 실험에서 총 2120개의 인간 접근 동작에 대해 IOC 방법의 DTW 점수 분포는 모든 경우에서 기준선 대비 일관된 향상을 보였다.
• 예측 정확도는 시간이 지남에 따라 뚜렷이 향상되었으며, IOC 방법의 평균 및 표준편차 DTW 점수가 첫 번째 런에서 일곱 번째 런으로 갈수록 감소함으로써 인간이 로봇의 동작에 점점 더 적응함을 시사했다.
• IOC 분포의 이질적 값들은 주로 반복 제한 내에서 인간의 정지 또는 충돌 회피 경로 탐색 실패로 인한 것으로 나타나, 비연속적 운동 처리에 대한 한계를 시사했다.
• 운동 간섭이 심한 상황에서 반복적 재계획은 단일 스탭 계획보다 인간의 적응을 더 효과적으로 포착했다.
• 인간-인간 상호작용에서 학습한 비용 함수를 인간-로봇 협업 상황에서 인간의 운동을 예측하는 데 성공적으로 일반화하여 이식 가능성(transferability)을 입증했다.