[论文解读] Object Handover Prediction using Gaussian Processes clustered with Trajectory Classification

M. Lang, Satoshi Endo+2 more|arXiv (Cornell University)|Jul 10, 2017

Gaussian Processes and Bayesian Inference参考文献 1被引用 6

一句话总结

该论文提出了一种基于马氏距离进行随机轨迹分类的分层高斯过程（GP）框架，用于实时预测人类物体交接过程中的运动。通过使用双四元数对6D手部轨迹进行建模，并在运动早期（平均轨迹长度的43.4%处）对交接配置进行分类，该方法在人类运动变异范围内实现了对最终手部配置的精确预测，使用$d_{ ext{mag}}$距离度量时，平均RMSE为0.0029。

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.

研究动机与目标

• 通过在物体交接过程中准确预测人类运动意图，实现主动的人机交互。
• 克服标准高斯过程在应对情境相关的人类运动变化时泛化能力不足的局限。
• 与传统基于HMM的方法相比，提升交接配置的早期分类性能。
• 使用双四元数对完整6D刚体运动（位置与姿态）进行建模，并量化不确定性。
• 将随机分类与GP回归相结合，实现实时、鲁棒的人机交互运动预测。

提出的方法

• 使用双四元数对6D手部轨迹进行参数化，以统一且旋转不变的形式表示位置与姿态。
• 在双四元数上应用高斯过程回归，对具有不确定性估计的非线性6D运动进行建模。
• 使用改进的马氏距离作为观测姿态与参考轨迹之间相似性的度量，实现实时分类。
• 采用分层聚类方法结合随机分类，基于绝对和相对阈值剔除低概率条件。
• 在每种条件下使用15条轨迹进行GP训练，并在50条保留的测试轨迹上评估分类与预测性能。
• 使用$d_{\text{mag}}$距离度量计算预测与真实双四元数速度之间的均方根误差（RMSE）。

实验结果

研究问题

• RQ1 基于马氏距离的随机分类方法是否能够在人类运动过程中实现交接配置的早期且准确识别？
• RQ2 在物体交接过程中，基于双四元数的高斯过程在预测6D手部轨迹及其不确定性方面能达到何种程度？
• RQ3 与最先进的基于HMM的方法相比，该系统能在多早的阶段对正确的交接配置进行分类？
• RQ4 分类与GP预测的融合是否能提升在人类运动变异范围内的整体运动预测精度？
• RQ5 与现有方法相比，该方法在性能与鲁棒性方面表现如何？

主要发现

• 所提方法在平均轨迹长度的43.4%处即完成正确交接配置的分类，显著早于典型基于HMM的方法。
• 系统在全部50条测试轨迹中均实现了100%的正确分类率，表明在实时配置识别中具有高度可靠性。
• 最终手部配置的预测结果处于人类运动的正常变异范围内，表明运动预测具有高保真度。
• 使用$d_{\text{mag}}$距离度量时，GP预测的双四元数速度的平均均方根误差（RMSE）为0.0029，表明预测精度极高。
• 结合马氏距离的分层分类方法能有效早期剔除错误配置，提升系统鲁棒性并减少误报。
• 该框架成功在一个统一的回归模型中对6D运动的平移与旋转分量进行建模，并实现不确定性量化。