[논문 리뷰] Low-cost Sensor Glove with Force Feedback for Learning from Demonstrations using Probabilistic Trajectory Representations

Elmar Rueckert, Rudolf Lioutikov외 4명|arXiv (Cornell University)|2015. 10. 12.

Robot Manipulation and Learning참고 문헌 12인용 수 8

한 줄 요약

이 논문은 iCub 로봇에서 모방을 통한 조작 기술 학습을 위해 저비용($250)의 힘 피드백 기능이 있는 센서 장갑을 제안한다. 가우시안 기저 함수를 사용한 베이지안 선형 회귀를 통해 다수의 인간 시연를 확률적 궤적 분포로 모델링하고, 내장된 임피던스 제어기를 통해 유연하고 적응적인 추적을 가능하게 하며, 실험적으로 자율적인 컵 쌓기 작업이 성공적으로 구현되었다.

ABSTRACT

Sensor gloves are popular input devices for a large variety of applications including health monitoring, control of music instruments, learning sign language, dexterous computer interfaces, and tele-operating robot hands. Many commercial products as well as low-cost open source projects have been developed. We discuss here how low-cost (approx. 250 EUROs) sensor gloves with force feedback can be build, provide an open source software interface for Matlab and present first results in learning object manipulation skills through imitation learning on the humanoid robot iCub.

연구 동기 및 목표

• 인간-로봇 모방 학습을 위한 저비용이며 오픈소스인 힘 피드백 기능이 있는 센서 장갑을 개발하는 것.
• 다수의 인간 시연를 통해 정교한 조작 기술을 학습할 수 있도록 하는 것.
• 베이지안 선형 회귀를 사용하여 시연된 궤적을 확률적 분포로 모델링하는 것.
• 전방 모델이 필요 없이 궤적의 분산을 활용하여 적응적이고 탄력적인 로봇 제어를 실현하는 것.
• 학습된 확률적 운동 표현을 기반으로 iCub 인간형 로봇에서 자율적인 기술 재현을 시Demonstrate하는 것.

제안 방법

• 장갑은 각 손가락에 4.5인치 플렉스 센서를 사용하여 관절 각도를 측정하고, 손끝에 VPM2 동전형 진동 모터를 탑재하여 힘 피드백을 제공한다.
• 아두이노 메가 2560이 350 Hz 속도로 센서 데이터를 처리하고, 직렬 프로토콜을 사용하여 USB를 통해 호스트 컴퓨터와 통신한다.
• 인간 시연는 가우시안 특징을 가진 선형 기저 함수 모델을 사용하여 궤적의 분포로 모델링된다.
• 각 궤적에 대한 가중치 벡터 w는 정규화된 최소 제곱법을 통해 추정되며, w[i] 벡터의 표본 평균과 공분산으로부터 사전 분포 p(w)의 평균과 공분산을 계산한다.
• 로봇은 자율 실행 중에 학습된 궤적 분포의 평균을 추적하기 위해 내장된 저수준 임피던스 제어기를 사용한다.
• 힘 피드백은 로봇 손의 터치 센서 읽기 값을 장갑의 진동 모터에 전달하는 PWM 값으로 매핑하여 구현된다.

실험 결과

연구 질문

• RQ1 저비용 센서 장갑에 힘 피드백 기능을 탑재하여 인간의 손 움직임과 촉각 피드백을 효과적으로 캡처할 수 있는가?
• RQ2 다수의 인간 시연를 궤적의 확률적 분포로 모델링하여 안정성과 탄력성을 향상시킬 수 있는가?
• RQ3 전방 모델이 필요 없이 내장된 임피던스 제어기가 학습된 확률적 궤적 분포의 평균을 성공적으로 추적할 수 있는가?
• RQ4 시연 중 힘 피드백이 그립 품질 향상과 기술 학습에 어느 정도 기여하는가?
• RQ5 학습된 궤적 분포의 분산을 활용하여 제어 이득을 적응적으로 조정하여 성능 향상에 기여할 수 있는가?

주요 결과

• 컵 쌓기 시연 2회를 통해 13개의 관절 각도에 대한 확률적 모델을 성공적으로 학습하였으며, 모델은 평균 궤적과 분산을 정확히 포착하였다.
• 자율 재현 단계에서 저수준 임피던스 제어기를 사용하여 학습된 분포의 평균을 추적함으로써 안정적이고 탄력적인 운동을 달성하였다.
• 힘 피드백이 컵을 변형 없이 잡는 데 도움이 되는 것으로 관찰되었으나, 추가 평가가 필요하다.
• 시스템은 제어 주기 200 Hz로 실시간 성능를 달성하였으며, 시연 기간은 15초였다.
• 장갑과 확률적 모델을 위한 오픈소스 소프트웨어가 공개되어 연구 공동체의 재사용 및 확장이 가능해졌다.