人机协作中使用 IMU 学习人体手臂伸展运动

两人执行的许多任务需要手臂间的相互交互，例如递送工具与物体。为了让机械臂以同样方式与人交互，它必须实时推断人体手臂的位置。此外，为及时获得交互能力，机器人必须能够预测人的最终目标，以便提前规划并启动运动。在本文中，我们探索使用配备两个惯性测量单元（IMU）的低成本可穿戴设备，学习用于人机协作（HRC）实时应用的伸展运动。在杂乱环境中光照不佳或存在遮挡的情况下，可穿戴设备可替代或补充视觉感知。我们首先训练一个神经网络模型来估计手臂的当前位置。然后，我们提出一种基于循环神经网络的新模型，用于实时预测人体手臂运动期间的未来目标。对目标的早期预测使机器人有足够时间在人的运动期间规划并启动运动。我们针对运动表示中所包含的特征分析了模型的精度。通过实验与机械臂的真实演示，我们表明在无需任何视觉感知的情况下，实现了足以支撑可行 HRC 的精度。一旦训练完成，该系统可在不同空间中部署而无需额外工作。模型对人体手臂的各种初始姿态均表现出高准确性。此外，经表明，训练好的模型对未参与模型训练的其他人类受试者也能提供高成功率。