基于情境上下文信息的肌控失败自动检测
机器人学
2019-08-13 v1
摘要
用于辅助设备的肌电控制系统仍然不可靠。由于疲劳、电极位移或出汗等原因，用户的输入信号会随时间变得不稳定。因此，此类控制器需要不断更新，并严重依赖用户反馈。本文提出了一种自动失败检测方法，该方法能够学习何时合理的预测变得不可靠以及何时需要模型更新。我们的核心思路是用一组生成模型增强控制系统，这些模型从人类演示中学习针对期望任务的合理行为。我们在虚拟现实中的一个抓取场景中展示了我们的方法，该场景要求用户抓取桌上的一个瓶子。通过演示，我们的模型学习了从静止位置到两种抓取方式（强力抓取和三指抓取）的伸手抓取运动，以及如何根据局部上下文预测最合适的抓取方式，例如在瓶盖处或瓶颈附近使用三指抓取。通过测量新抓取尝试与模型预测之间的误差，系统可以有效检测哪些输入命令未反映用户意图。我们在两种情况下评估了模型：i) 同时使用腕部姿态的位置和旋转信息，ii) 仅使用旋转信息。结果表明，我们的方法在两种情况下均检测到成功与失败抓取尝试之间具有统计上高度显著的误差分布差异（p < 0.001）。
引用
@article{arxiv.1906.11564,
title = {Automatic Detection of Myocontrol Failures Based upon Situational Context Information},
author = {Karoline Heiwolt and Claudio Zito and Markus Nowak and Claudio Castellini and Rustam Stolkin},
journal= {arXiv preprint arXiv:1906.11564},
year = {2019}
}