人体操作动作上运动编码框架的比较
机器人学
2025-02-21 v3
摘要
运动生成，尤其是向未见情形的泛化，在机器人学中起着重要作用。存在不同类型的运动生成方法，如基于样条的方法、基于动力系统的方法以及基于高斯混合模型 (GMMs) 的方法。利用一个关于人体操作的大型新数据集，本文对五种根本不同且广泛使用的运动编码与生成框架进行了高度详尽的比较：动态运动基元 (DMPs)、基于时间的的高斯混合回归 (tbGMR)、动态系统稳定估计器 (SEDS)、概率运动基元 (ProMP) 与最优控制基元 (OCP)。我们就这些框架的运动编码效率、重建精度与运动泛化能力进行比较。该新数据集由 12 人执行的九种物体操作动作组成：拿起放下、放上/取下、放入/取出、隐藏/揭开以及推/拉，共计 7,652 个运动示例。我们的分析表明，就运动编码与重建而言，若使用足够数量的核，DMPs 与 OCPs 在参数数量与重建精度上最为高效。在运动向新起点与终点情形泛化时，DMPs、OCPs 与任务参数化 GMM (TP-GMM，基于 tbGMR 的运动泛化框架) 性能相近，而 ProMPs 仅在使用大量示教时才达到该性能。所有模型均优于 SEDS，且 SEDS 还被证明难以拟合。此外我们观察到 TP-GMM 与 SEDS 在到达泛化终点时存在问题。这些不同的定量结果将有助于在未来机器人应用中以改进的任务依赖方式选择最合适的模型并设计轨迹表示。
引用
@article{arxiv.2211.13024,
title = {Comparison of Motion Encoding Frameworks on Human Manipulation Actions},
author = {Lennart Jahn and Florentin Wörgötter and Tomas Kulvicius},
journal= {arXiv preprint arXiv:2211.13024},
year = {2025}
}