显式考虑周期动力学的人机物理交互潜在表示
机器人学
2022-08-09 v1
摘要
本文提出一种在潜在状态空间中分析周期性物理人机交互（pHRI）的数据驱动新框架。为阐述 pHRI 中的人的理解及/或机器人控制，表征 pHRI 的模型至关重要。深度学习技术的最新进展使我们能够从实际 pHRI 收集的数据集中学习此类模型。我们的框架基于变分循环神经网络（VRNN）构建，其可固有地处理如一次 pHRI 所生成的时序数据。本文修改 VRNN 以显式包含从机器人到人的潜在动力学。此外，为分析如行走般的周期运动，我们将基于储备池计算（RC）的新循环网络（其在大量神经元间具有随机固定连接）与 VRNN 集成。通过将 RC 扩充至复域，周期行为可表示为复域中的相位旋转而不衰减幅值。为验证所提框架，我们分析了一个绳旋转/摆动实验。所提框架在该实验数据集上训练后，获得了可区分周期运动差异的潜在状态空间。如此良好区分的空间带来了对人观测与机器人动作的最佳预测精度。附视频见 youtube：https://youtu.be/umn0MVcIpsY
引用
@article{arxiv.2106.08531,
title = {Latent Representation in Human-Robot Interaction with Explicit Consideration of Periodic Dynamics},
author = {Taisuke Kobayashi and Shingo Murata and Tetsunari Inamura},
journal= {arXiv preprint arXiv:2106.08531},
year = {2022}
}
备注
10 pages, 10 figures