Planning Human-Robot Co-manipulation with Human Motor Control Objectives and Multi-component Reaching Strategies

Probleemstelling

De kernuitdaging bij succesvolle mens-robotcollaboratie (HRI) is dat de robot in real-time moet kunnen anticiperen op de intenties en acties van de menselijke partner. Bestaande benaderingen hebben beperkingen:

• Musculoskeletale modellen: Deze zijn voornamelijk gericht op ergonomische factoren (zoals het minimaliseren van spiervermoeidheid) en zijn beperkt tot lagere niveaus van functies.
• Data-gedreven modellen (Machine Learning): Methoden zoals Inverse Reinforcement Learning of Gaussian Processes vereisen grote hoeveelheden menselijke interactiedata, wat vaak niet beschikbaar is, en hebben beperkte generaliseerbaarheid.
• Gebrek aan motorische controle-modellen: Er ontbreekt een geïntegreerde aanpak die modellen van menselijke motorische controle gebruikt om generaliseerbare gedragsschattingen te maken en deze direct te koppelen aan robotplanningsmethoden.

Het doel is om robotbewegingen te plannen die niet alleen efficiënt zijn, maar ook natuurlijk aanvoelen voor de mens door rekening te houden met fundamentele principes van het menselijk zenuwstelsel.

Methodologie

De auteurs stellen een nieuw raamwerk voor dat menselijke motorische controle-modellen integreert in numerieke trajectoptimalisatie voor robots. De aanpak bestaat uit drie hoofdblokken:

1. Menselijk Motorisch Controle Model
Het paper combineert twee fundamentele principes uit de neurowetenschap:

• Snelheid-nauwkeurigheid en kosten-baten afweging: Het menselijk zenuwstelsel optimaliseert bewegingen door een compromis te zoeken tussen snelheid (tijd) en nauwkeurigheid (Fitts' wet), en tussen metabole kosten (spierinspanning) en het nut van de beweging. Dit wordt gemodelleerd als een objectiviteitsfunctie die de verwachte beloning maximaliseert en de metabole kosten minimaliseert, rekening houdend met neurale ruis.
• Multi-component bereikstrategie: Menselijke bewegingen worden vaak opgesplitst in een initiële "ballistische" fase (snel, minder precies) en een finale "correctieve" fase (langzamer, zeer precies). Het model voorspelt het overgangspunt tussen deze fasen op basis van de doelafstand en de moeilijkheidsgraad (doelgrootte).

2. Numerieke Trajectoptimalisatie
Om deze modellen toepasbaar te maken voor robotbesturing, worden ze vertaald naar een discrete tijdsprobleem:

• Gediskretiseerde dynamica: De continue dynamica wordt gelijnd en geïntegreerd met een voorwaartse Euler-methode, waarbij de toestand als een Gaussische verdeling wordt behandeld om ruis te modelleren.
• Vergoedingsfunctie (Reward Function): De binaire indicator voor het bereiken van een doel wordt vervangen door een differentieerbare kansfunctie (Gaussische dichtheid), waardoor de verwachte beloning in gesloten vorm kan worden berekend.
• Optimalisatieprobleem: De robot lost een numeriek optimalisatieprobleem op om een traject te vinden dat de menselijke objectiviteitsfunctie minimaliseert, rekening houdend met de dynamica van de robot (bijv. Franka Emika arm).

3. Toepassingen in Collaboratie
Het model wordt toegepast in twee scenario's:

• Synchronisatie: De robot schat het menselijke doel en past zijn traject aan om synchroon te bewegen met de mens, zelfs bij onzekerheid over de doellocatie.
• Autoriteitsoverdracht (Handover): De robot voert de initiële, snelle beweging uit en geeft de controle over aan de mens op het moment dat de menselijke motorische strategie zou overschakelen van ballistisch naar correctief (het voorspelde overgangspunt).

Belangrijkste Bijdragen

Het paper presenteert drie hoofddoelen en bijdragen:

1. Mens-geïnspireerde Trajectplanning (O1): Een robotplanner die de snelheid-nauwkeurigheid en kosten-baten afweging expliciet integreert. Dit resulteert in trajecten die voldoen aan Fitts' wet en menselijke snelheidsprofielen (inclusief asymmetrie in de pieksnelheid).
2. Intelligente Autoriteitsoverdracht (O2): Een systeem dat de overdracht van controle van robot naar mens baseert op het voorspelde overgangspunt van de menselijke multi-component bewegingsstrategie. Dit maakt een naadloze overgang mogelijk zonder onnodige wachttijden of botsingen.
3. Doelinferentie (O3): Een systeem dat observede menselijke bewegingen gebruikt als constraints in de optimalisatie om het resterende traject en het doel te schatten, waardoor de robot zich dynamisch kan aanpassen aan veranderende doelen.

Resultaten

De methoden zijn gevalideerd via simulaties en fysieke experimenten met een Franka Emika robotarm in een assemblage-scenario:

• Validatie van het Model: De gegenereerde trajecten tonen de kenmerkende snelheidsprofielen van mensen (asymmetrische pieken, langzamere bewegingen voor kleinere doelen) en voldoen aan de voorspellingen van Fitts' wet.
• Synchronisatie: In co-manipulatie-experimenten (transport van objecten) slaagde de robot erin om de menselijke bewegingen te synchroniseren. De snelheidsprofielen van robot en mens waren vergelijkbaar, en de fouten in de geschatte trajecten waren consistent met de verwachte snelheid-nauwkeurigheid trade-off.
• Autoriteitsoverdracht: De robot kon het overgangspunt van de menselijke beweging succesvol voorspellen. De overdracht van controle vond plaats op het moment dat de menselijke spreiding (dispersie) het hoogst was, wat resulteerde in een vloeiende overgang zonder sprongen in snelheid.
• Rekenkracht: Hoewel de oplossing voor niet-lineaire dynamica (7 DOF) ongeveer 1,3 seconden duurt, is dit acceptabel voor online planning in veel HRI-scenario's.

Beteeknis en Conclusie

Dit onderzoek is een doorbraak omdat het voor het eerst een geünificeerd model van snelheid-nauwkeurigheid en kosten-baten afweging, gecombineerd met een hogere-niveau bewegingsopdeling, integreert in een robotbesturingssysteem.

• Onafhankelijkheid van Data: In tegenstelling tot machine learning-methoden vereist deze aanpak geen grote datasets van mens-robotinteracties; het is gebaseerd op fundamentele principes van de menselijke motorische controle.
• Natuurlijke Interactie: Door robotbewegingen te laten volgen van menselijke optimalisatieprincipes, wordt de interactie voorspelbaarder en "leesbaarder" (legible) voor de mens, wat essentieel is voor veilige en efficiënte samenwerking.
• Toekomstperspectief: Hoewel de aanpak veelbelovend is, zijn er nog beperkingen, zoals de noodzaak van een initiële schatting van het doel en het ontbreken van een studie naar de subjectieve perceptie van gebruikers. Toekomstig werk zal zich richten op het verbeteren van interactiedynamica en het uitvoeren van gebruikersstudies.

Kortom, dit paper biedt een principieel raamwerk om robots "menselijker" te maken in hun bewegingen en reacties, zonder afhankelijk te zijn van data-hongerige algoritmen.