[논문 리뷰] Object Handover Prediction using Gaussian Processes clustered with Trajectory Classification

M. Lang, Satoshi Endo외 2명|arXiv (Cornell University)|2017. 07. 10.

Gaussian Processes and Bayesian Inference참고 문헌 1인용 수 6

한 줄 요약

이 논문은 실시간으로 인간의 물체 수거 동작을 예측하기 위해 마할라노비스 거리 기반의 스위치 트레이젝터리 분류와 함께 계층적 가우시안 프로세스(GP) 프레임워크를 제안한다. 이중 허니티언을 사용해 6차원 손 동작 궤적을 모델링하고, 동작의 평균 궤적 길이의 43.4% 지점에서 수거 구성 요소를 조기에 분류함으로써, 인간의 운동 변동성 내에서 최종 손 구성 요소를 정확하게 예측한다. $d_{\text{mag}}$ 거리 척도를 사용할 경우 평균 RMSE는 0.0029이다.

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.

연구 동기 및 목표

• 물체 수거 과정에서 인간의 운동 의도를 정확히 예측함으로써 수동적 인간-로봇 상호작용을 가능하게 하기 위해.
• 일반적인 GP가 맥락 의존적 인간 운동 변화에 대해 일반화하는 데 한계가 있음을 극복하기 위해.
• 기존의 HMM 기반 방법에 비해 수거 구성 요소의 조기 분류를 향상시키기 위해.
• 위치와 자세를 포함한 전체 6차원 강체 운동을 불확실성 정량화와 함께 이중 허니티언을 사용해 모델링하기 위해.
• 실시간이고 견고한 운동 예측을 위한 스위치 분류와 GP 회귀를 통합하기 위해.

제안 방법

• 위치와 자세를 통합적이고 회전 불변 형태로 표현하기 위해 6차원 손 궤적을 이중 허니티언으로 매개변수화하기 위해.
• 비선형적이고 불확실한 6차원 운동을 불확실성 추정과 함께 모델링하기 위해 이중 허니티언 위에 가우시안 프로세스 회귀를 적용하기 위해.
• 관측된 자세와 기준 궤적 간의 유사도 측정으로 실시간 분류를 위해 수정된 마할라노비스 거리를 사용하기 위해.
• 절대 및 상대 임계값을 기반으로 낮은 확률 조건을 제거하는 계층적 클러스터링 접근법과 스위치 분류를 구현하기 위해.
• 각 조건당 15개의 궤적을 학습하고, 예측 성능 평가를 위해 50개의 보류된 테스트 궤적을 평가하기 위해 GP를 훈련하기 위해.
• 예측된 이중 허니티언 속도와 진짜값 간의 루트 평균 제곱 오차(RMSE)를 계산하기 위해 $d_{\text{mag}}$ 거리 척도를 사용하기 위해.

실험 결과

연구 질문

• RQ1 마할라노비스 거리 기반의 스위치 분류 방법이 인간 운동 중 수거 구성 요소를 조기에 정확하게 식별하는 데 성공할 수 있는가?
• RQ2 이중 허니티언 위의 가우시안 프로세스는 물체 수거 과정 중 6차원 손 궤적을 불확실성과 함께 얼마나 잘 예측할 수 있는가?
• RQ3 기존의 최첨단 HMM 기반 방법에 비해 시스템은 수거 구성 요소를 얼마나 이르게 분류할 수 있는가?
• RQ4 분류와 GP 예측의 통합이 인간 운동 변동성 내에서 전체 운동 예측 정확도를 향상시키는가?
• RQ5 기존의 접근 방식에 비해 제안된 방법은 인간-로봇 상호작용에서 성능과 견고성 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 방법은 평균 궤적 길이의 43.4% 지점에서 정확한 수거 구성 요소를 분류하며, 일반적인 HMM 기반 방법보다 훨씬 이르게 수행된다.
• 모든 50개의 테스트 궤적에서 100%의 정확한 분류율을 달성하여 실시간 구성 요소 식별의 높은 신뢰성을 입증한다.
• 최종 손 구성 요소는 인간 운동의 정상적인 변동성 내에서 예측되며, 이는 운동 예측의 높은 정밀도를 나타낸다.
• GP로 예측한 이중 허니티언 속도의 평균 루트 평균 제곱 오차(RMSE)는 $d_{\text{mag}}$ 거리 척도를 사용할 경우 0.0029로, 높은 예측 정확도를 나타낸다.
• 마할라노비스 거리 기반의 계층적 분류가 조기에 잘못된 구성 요소를 효과적으로 제거하여 견고성 향상과 거짓 긍정 감소를 이룬다.
• 이 프레임워크는 불확실성 정량화와 함께 이중 허니티언을 사용해 단일 통합 회귀 모델로 이동 및 회전 성분을 성공적으로 모델링한다.