[论文解读] Ergonomically Intelligent Physical Human-Robot Interaction: Postural Estimation, Assessment, and Optimization

Amirmehdi Yazdani, Roya Sabbagh Novin+2 more|arXiv (Cornell University)|Aug 12, 2021

Human Pose and Action Recognition参考文献 47被引用 4

一句话总结

该论文提出了一种新颖的、符合人体工程学的物理人机交互框架，仅通过机器人轨迹即可估计人体姿势，利用可微分的连续模型（DULA）实现99.73%准确率的符合人体工程学评估（相比RULA），并支持高效的基于梯度的姿势优化。该方法在协同操作与远程操作任务中降低了受伤风险，同时实现了实时、无标记的人体工程学监测。

ABSTRACT

Ergonomics and human comfort are essential concerns in physical human-robot interaction. Common practical methods in the area either fail in estimating the correct posture due to occlusion or suffer from inaccurate ergonomics models in performing postural optimization. We propose a novel alternative framework for posture estimation, assessment, and optimization for ergonomically intelligent physical human-robot interaction. We show that we can estimate human posture solely from the trajectory of the interacting robot with median deviation of 5 deg from motion capture. We propose DULA, a differentiable ergonomics assessment tool with 99.73% accuracy comparing to RULA. We use DULA in postural optimization for physical human-robot interaction tasks such as co-manipulation and teleoperation. We evaluate our framework through human and simulation experiments.

研究动机与目标

• 在不依赖动作捕捉或标记的情况下，实现在物理人机交互（p-HRI）中的连续、实时人体工程学监测。
• 解决现有人体工程学评估工具（如RULA、REBA）在基于梯度的优化中因离散评分和平台区而产生的局限性。
• 开发一种可微分的连续人体工程学模型，以高精度复现RULA评分，适用于优化任务。
• 在协同操作与远程操作等p-HRI任务中优化人体姿势，以降低肌肉骨骼损伤风险。
• 通过人体实验与仿真实验评估该框架，对比无梯度与基于梯度的优化方法。

提出的方法

• 仅通过交互机器人的轨迹，利用基于概率的、学习的方法估计人体上半身姿势。
• 开发DULA（可微分上肢评估）模型，一种训练为复现RULA评分的神经网络，输出为连续且可微分的数值。
• 在包含人体姿势与RULA评分配对数据的数据集上训练DULA，实现99.73%的准确率，混淆矩阵中最小对角线准确率达到99.38%。
• 将DULA集成到p-HRI任务的姿势优化流程中，实现基于梯度的人体姿势优化，以最小化人体工程学风险。
• 采用包含参数α ∈ {0, 0.75}的人体控制与接受度模型，模拟人类对姿势校正的现实响应。
• 在远程操作任务中对比无梯度与基于梯度的优化方法，测量风险降低程度、任务完成时间与运动平滑度。

实验结果

研究问题

• RQ1 是否可以仅通过机器人轨迹，在无需动作捕捉或标记的情况下准确估计物理人机交互中的人体姿势？
• RQ2 是否可以训练出一种可微分的连续人体工程学模型，以高精度复现RULA评估工具，并支持基于梯度的优化？
• RQ3 与无梯度优化相比，基于DULA的梯度优化在风险降低、任务效率与运动平滑度方面表现如何？
• RQ4 该框架是否能在真实p-HRI场景中以高灵敏度与特异性检测出高风险姿势（RULA评分 > 2）？
• RQ5 将DULA集成到反馈回路中，如何影响姿势校正的可接受性与有效性？

主要发现

• 姿势估计方法在与动作捕捉数据对比中，中位偏差仅为5°，证明仅通过机器人轨迹即可实现高精度估计。
• DULA在复现RULA评分方面达到99.73%的准确率，混淆矩阵中最小对角线准确率达99.38%，表明其在不同姿势范围中均具有优异泛化能力。
• 基于梯度的优化方法在降低RULA风险评分方面更有效，且生成的姿势校正更平滑、更易被接受，优于无梯度方法。
• 基于梯度的方法每次迭代仅需零点几秒，而无梯度方法需使用10,000个样本，每次迭代耗时2.7分钟。
• 采用DULA的姿势校正有效降低了肌肉骨骼损伤风险，模拟人类在校正后RULA评分更低，尤其在基于梯度的优化下效果更显著。
• 该框架成功识别出全部32次RULA评分超过2（提示需干预）的试验，并在65.63%的试验中正确匹配了RULA评分。