通过将肌肉活动集成至交互运动模型学习人机协作洞察

人机协作领域的最新进展使得快速流畅的交互成为可能，即使在人类观测部分缺失或被遮挡的情况下亦然。诸如交互概率运动原语（ProMP）等方法通过动作捕捉系统对人类运动轨迹进行建模。然而，这种表示方式无法正确建模相似运动处理不同物体的任务。在现有方法下，机器人无法调整其位姿与动力学以进行恰当的操作。我们将肌电图（EMG）的使用集成到交互 ProMP 框架中，并利用肌肉信号来增强人类观测的表示。本文的贡献在于，当运动轨迹相似但工具不同且需要机器人调整位姿以进行恰当操作时，提高了任务的辨识度。交互 ProMP 使用集成了肌肉活动的增广向量。在训练中使用时间归一化的增广轨迹来学习相关参数，并通过为任务寻找最佳权重组合与时间缩放来预测机器人运动。我们使用运动相似但物体不同的协作单任务场景进行了对比。在其中一个实验中仅记录关节角度，在另一个实验中则额外集成了 EMG 信号。对两项任务均计算了任务识别率。带有增广 EMG 信号的观测状态向量能够完全区分不同任务间的差异，而基线方法每次均告失败。将 EMG 信号集成到协作任务中显著提高了系统识别任务中细微差别的能力，在我们的研究中提升幅度高达 74.6%。此外，将 EMG 信号集成用于协作也为一大类基于触觉通信的人机物理交互打开了大门，而该领域在此前很大程度上未被充分利用。