Robotic Motion Generation by Categorizing and Imitating Demonstrated Trajectories

通过分类和模仿演示轨迹生成机器人运动

• 批准号: 22K12205
• 负责人: 万 偉偉
• 金额: $ 2.66万
• 依托单位: Osaka University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K12205/
• 关键词: マニピュレータの動作生成; 人の作業動作の分類; 直感的な教示; インターフェース; ロボット教示; ロボット動作計画; 模倣学習

２０２２年度では，人間の指示動作の収集と分類作業に着目した。特に、ロボットマニピュレータがテーブルから皿を拾い上げ，天秤に落として重さを測定するタスクを想定した。ロボットマニピュレータのエンドエフェクタと同じダミーハンドを開発し，指示棒として人に使われた。このダミーハンドを使って人間が上記の拾い上げと測定作業を行うことで，ロボットマニピュレータの直感的なティーチングと動作生成を実装した。ダミーハンドには複数の光学式トラッキングマーカーを取り付け，人間による指示動作の軌跡を追跡し，解析やロボット動作生成のためのデータを集まった。共計，一人で５回のデモンストレーションを行い，５個の軌跡を収集した。これらの軌跡は，その平均値からの偏差によって３つに分類された。第１タイプの軌跡の偏差が大きく，ロボットの運動計画に適していた。第２タイプの軌跡は，偏差が穏やかなものであった。これは，線形近似に適していた。第３タイプの軌道は，１つの自由度には動く余裕があった一方（注：天秤のハンドルに沿って自由に動ける），残りの自由度では完全に拘束されていた。データ収集と分類の過程では，把持姿勢や作業空間での回転運動などが無視された。自動把持計画と推論を組み合わせながら，第１タイプと第２タイプの軌跡に従ってロボットの動作生成することが成功した。(注：把持計画・推論については，２０１９年度の先行研究に基づいたものでした。) 第３タイプの軌道には課題が残っていた。現在の解決策は，制約された自由度に完全に模倣することであった。全ての軌道が似たようなパターンを持つ場合に適用している。ただ，一般性は低いものであったと分かっている。

For the year 2022, there was a で で, and in the human world, there was an と classification assignment for the collection of と. The に project was た た. に, ロ ボ ッ ト マ ニ ピ ュ レ ー タ が テ ー ブ ル か ら found melamine を い げ, libra に fall と し て heavy さ を determination す る タ ス ク を scenarios し た. ロ ボ ッ ト マ ニ ピ ュ レ ー タ の エ ン ド エ フ ェ ク タ と with じ ダ ミ ー ハ ン ド を open 発 し, indicating rod と し に て people make わ れ た. こ の ダ ミ ー ハ ン ド を make っ て が human written の pick on い げ と measurement line homework を う こ と で, ロ ボ ッ ト マ ニ ピ ュ レ ー タ の of audio-visual な テ ィ ー チ ン グ を と movements be loaded し た. ダ ミ ー ハ ン ド に は plural の optical ト ラ ッ キ ン グ マ ー カ ー を り pay け, human に よ る indicate movement trajectory を の tracing し, parsing や ロ ボ ッ ト action generated の た め の デ ー タ を set ま っ た. In total, one person で5 times of デモ ストレ ストレ ショ ショ を を lines of デモ, 5 <s:1> trajectories を collection た. Youdaoplaceholder5 れら <s:1> trajectory, そ <s:1> mean value ら ら <s:1> deviation によって3 に に classification された. The deviation of the trajectory of the first タ プ プ が is が large く く, and the ロボット <s:1> motion plan に is suitable for に て た た た た. The trajectory of the second タ プ プ <s:1>, deviation が, stable や な な, <s:1> であった, であった. The line approximation is に suitable for て た た. 3 タ イ プ の は orbit, 1 つ の freedom に は dynamic く margin が あ っ た side (note: libra の ハ ン ド ル に along っ て free に dynamic け る), the residual り の freedom で は に completely inhibited さ れ て い た. の デ ー タ 収 set と classification process で は, holding posture や homework space で の back planning movement な ど が ignore さ れ た. Automatic gain control plan と inference を group み close わ せ な が ら, 1 タ イ プ と 2 タ イ プ の trajectory に 従 っ て ロ ボ ッ ト の action generated す る こ と が successful し た. (Note: Control plan · inference に に に て て, 2019 <s:1> pilot research に base づ た た <e:1> で で た た.) The third タ タ プ プ プ が orbit に subject が residue って た た た. Now the <s:1> solution された restricts the された degrees of freedom に to completely に imitate する に とであった とであった. The full て <s:1> orbital が is similar to the たようなパタ <s:1> <s:1> を を を in the を holding に situation に is applicable to the て て る る る る. Youdaoplaceholder0, general low ただ であったと であったと であったと score って って る る.