[论文解读] Inferring geometric constraints in human demonstrations

Guru Subramani, Michael Zinn+1 more|arXiv (Cornell University)|Sep 29, 2018

Human Motion and Animation参考文献 12被引用 10

一句话总结

本文提出一种方法，通过同时使用运动学数据和力/力矩数据，从人类示范中推断几何约束（如铰链、滑动副和面接触）；通过位置、力和力矩标准评估多种约束模型，该方法无需事先了解工具几何形状或接触细节，即可稳健识别约束类型和参数，实现亚毫米级的估计精度。

ABSTRACT

This paper presents an approach for inferring geometric constraints in human demonstrations. In our method, geometric constraint models are built to create representations of kinematic constraints such as fixed point, axial rotation, prismatic motion, planar motion and others across multiple degrees of freedom. Our method infers geometric constraints using both kinematic and force/torque information. The approach first fits all the constraint models using kinematic information and evaluates them individually using position, force and moment criteria. Our approach does not require information about the constraint type or contact geometry; it can determine both simultaneously. We present experimental evaluations using instrumented tongs that show how constraints can be robustly inferred in recordings of human demonstrations.

研究动机与目标

• 使机器人能够自动从人类示范中推断几何约束，而无需事先了解工具几何形状或接触类型。
• 通过整合力和力矩信息与运动学数据，提升约束推断的鲁棒性。
• 对多种标准几何约束（如轴向旋转、平面运动）进行建模与识别，支持多自由度约束。
• 提供语义化且参数化的约束表示，使机器与人类均可理解。
• 解决现有方法仅依赖运动学数据、无法区分模糊约束类型的问题。

提出的方法

• 该方法使用运动学数据（位置和姿态）评估多种几何约束模型（如固定点、轴向旋转、滑动副、平面）以拟合候选模型。
• 利用力和力矩数据对模型进行评估与排序，以区分运动学上相似但物理上不同的约束。
• 每个约束模型均通过位置误差、力误差和力矩误差标准进行评估，以确定最佳拟合模型。
• 该方法采用最小二乘拟合过程，估计几何参数（如铰链轴线、平面位置以及工具端点相对于刚体的位置）。
• 该方法无需了解工具的几何形状或接触表面，仅依赖观测到的运动和相互作用力。
• 关键创新在于利用物理交互数据（力和力矩）解决仅靠运动学数据无法区分的模糊性问题。

实验结果

研究问题

• RQ1 能否仅通过运动学和力/力矩数据，从人类示范中可靠地推断几何约束，而无需事先了解工具几何形状或接触类型？
• RQ2 当仅靠运动学数据导致拟合模糊时，力和力矩信息如何提升约束类型分类的准确性？
• RQ3 采样策略（连续采样与随机采样）对点在平面上等约束的参数估计精度有何影响？
• RQ4 该方法能否区分产生相似轨迹的相似约束类型（如轴向旋转与平面运动）？
• RQ5 在真实示范中，整合物理交互数据在多大程度上提升了约束推断的鲁棒性？

主要发现

• 该方法在估计平面表面几何形状和工具端点位置时达到亚毫米级精度，估计误差在运动捕捉系统的容差范围内。
• 力和力矩信息显著提升了约束分类的准确性，即使位置误差相似，也能正确识别轴向旋转而非平面运动。
• 与连续采样相比，随机采样数据可获得更优的参数估计结果，尤其在高自由度约束（如点在平面上）中表现更佳。
• 点在平面上约束的拟合误差仅在约1秒运动后降至可接受水平，凸显了样本空间多样性的重要性。
• 通过利用物理交互数据，该方法成功区分了模糊的约束类型（如自由空间中的轴向旋转与圆周运动）。
• 该方法通过在拟合与选择过程中整合物理特性（力和力矩），优于以往方法，显著提升了鲁棒性与语义可解释性。