面向物理人机交互辅助控制的人体运动意图预测
机器人学
2023-12-19 v1
摘要
本工作致力于在物理人机交互(pHRI)任务中识别人类意图,并将该信息纳入辅助控制器。为此,人类意图被定义为人类希望在有限滚动预测时域内遵循的期望轨迹,以便机器人协助其实现。本工作研究一种循环神经网络(RNN),具体为级联全连接层的长短期记忆(LSTM)网络。我们特别提出一种迭代训练过程以适配模型。该迭代过程能有效降低预测误差,但存在耗时且不能泛化至不同用户或不同协同操作物体的缺点。为克服此问题,迁移学习(TL)通过冻结 LSTM 层并微调最后的全连接层,将预训练模型适配到新轨迹、用户和协同操作物体,从而加速过程。实验表明迭代过程能适配模型并降低预测误差。实验还表明 TL 可适配不同用户及大物体的协同操作。最后,为检验所提方法的效用,我们将由意图预测增强的所提控制器与另外两种 pHRI 标准控制器进行比较。
引用
@article{arxiv.2307.10743,
title = {Predicting human motion intention for pHRI assistive control},
author = {Paolo Franceschi and Fabio Bertini and Francesco Braghin and Loris Roveda and Nicola Pedrocchi and Manuel Beschi},
journal= {arXiv preprint arXiv:2307.10743},
year = {2023}
}