基于约束概率人体运动预测增强人机协作

人体运动预测是高效且安全的人机协作中必不可少的一步。当前方法要么纯粹依赖以某种基于神经网络的架构表示人体关节，要么离线使用回归模型拟合超参数，以期捕捉涵盖人体运动的模型。尽管这些方法提供了良好的初步结果，但它们忽略了利用经过充分研究的人体运动学模型以及身体和场景约束，而这些约束有助于提升这些预测框架的功效，同时显式避免不合理的人体关节构型。我们提出了一种新颖的人体运动预测框架，该框架在高斯过程回归（GPR）模型中融入人体关节约束和场景约束，以在设定时间范围内预测人体运动。该公式与一个在线上下文感知约束模型相结合，以利用依赖于任务的运动。它在人体手臂运动学模型上进行了测试，并在配备 UR5 机械臂的人机协作设置上实现，以展示我们方法的实时能力。还在 HA4M 和 ANDY 等数据集上进行了仿真。仿真与实验结果表明，当显式考虑这些约束时，高斯过程框架有显著改进。