Prediction-Based Synchronized Human Motion Imitation by a Humanoid Robot
Prediction-Based Synchronized Human Motion Imitation by a Humanoid Robot
复制标题
仿人机器人基于预测的同步人体运动模仿
DOI：
--
复制
发表时间：
2012
期刊：
影响因子：
--
通讯作者：
Dongheui Lee
中科院分区：
文献类型：
--
作者：
K. Hu;Dongheui Lee
摘要本文提出了一种仿人机器人实时全身人体运动仿真的框架。该方法首先与平衡算法相结合的运动学映射，以确保在不同的立场阶段的动态约束。为了补偿模仿中的时间延迟，这是在立场改变之前所需的权重转移所产生的，我们应用了一种基于隐马尔可夫模型和高斯回归的机器学习方法。一旦从演示中学习到运动原语，机器人就可以识别人类当前的运动状态并预测未来的轨迹。所提出的方法实施和评估使用小型人形机器人NAO。Zusammenfasung Im vorliegenden Beitrag stellen wir ein System für die Imitation menschlicher Gesamtkörperbewegungen durch einen humanoiden Roboter vor.我们将使用一种运动学的方法与一种Abgleich-Schummus相结合，使动态稳定性得到了非常好的保持。在最小的时间内，通过一个Haltungsänderung entstehen的预处理Gewichtsverlagerungen，文登我们使用一种机械学习方法，并通过障碍和高斯回归进行。随后，通过演示获得了原始的机器人，机器人可以帮助人类实现自动化，并可以进行跟踪。该虚拟现实韦尔登将在NAO-机器人的小规模人性化实施和评估中发挥作用。
Abstract In this paper we propose a framework of realtime whole-body human motion imitation for humanoid robots. The approach starts with a kinematic mapping in combination with a balancing algorithm in order to ensure the dynamic constraints during different stance phases. In order to compensate for time delays in the imitation, which emerge from the required weight transfer before stance changes, we apply a machine learning approach based on Hidden Markov Models and Gaussian Regression. Once locomotion primitives are learned from demonstrations, the robot can recognize human´s current locomotion state and predict future trajectories. The proposed approaches are implemented and evaluated using a small humanoid robot NAO. Zusammenfassung Im vorliegenden Beitrag stellen wir ein System für die Imitation menschlicher Gesamtkörperbewegungen durch einen humanoiden Roboter vor. Wir beginnen mit einer kinematischen Abbildung in Kombination mit einem Abgleich-Algorithmus, um die dynamische Stabilität während unterschiedlicher Standphasen sicherzustellen. Um Zeitverzögerungen zu minimieren, die durch erforderliche Gewichtsverlagerungen vor einer Haltungsänderung entstehen, wenden wir eine Methode des maschinellen Lernens an, die auf HMMs und Gauß-Regression beruht. Nachdem die Bewegungs-Primitive aus Demonstrationen gelernt wurden, kann der Roboter den aktuellen Bewegungszustand des Menschen erkennen und zukünftige Trajektorien vorhersagen. Die vorgeschlagenen Verfahren werden auf einem kleinen humanoiden NAO-Roboter implementiert und evaluiert.