Dual-arm Motion Generation for Repositioning Care based on Deep Predictive Learning with Somatosensory Attention Mechanism
作者: Tamon Miyake, Namiko Saito, Tetsuya Ogata, Yushi Wang, Shigeki Sugano
分类: cs.RO
发布日期: 2024-07-18 (更新: 2025-10-04)
备注: Accepted at IROS 2025
💡 一句话要点
提出基于深度预测学习和体感注意力机制的双臂机器人重定位护理运动生成方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting)
关键词: 双臂机器人 重定位护理 深度预测学习 体感注意力机制 阻抗控制 人机协作 医疗机器人
📋 核心要点
- 重定位护理机器人需要精确施力、动作连贯和适应不确定环境，现有方法难以同时满足这些需求。
- 论文提出一种基于深度神经网络的架构，结合本体感受和视觉注意力机制，并通过阻抗控制调节机器人运动。
- 实验表明，该模型成功控制双臂机器人Dry-AIREC，在重定位任务中实现了精确的力控制和姿态调整。
📝 摘要（中文）
护理是家务机器人的一项重要任务，特别是重定位护理具有巨大的社会价值，能显著改善行动不便人士的健康和生活质量。然而，重定位任务是一个具有挑战性的研究领域，它要求机器人能够灵活地与患者互动并调整其运动。该任务涉及几个关键挑战：(1) 对特定目标区域施加适当的力；(2) 无缝地执行多个动作，每个动作都需要不同的力施加策略；(3) 在不确定的位置条件下进行运动调整。为了解决这些问题，我们提出了一种基于深度神经网络 (DNN) 的架构，该架构利用本体感受和视觉注意力机制，以及阻抗控制来调节机器人的运动。使用双臂人形机器人 Dry-AIREC，所提出的模型成功地生成了将机器人手臂插入床和人体模型背部之间的运动，而没有施加过大的力，并且支持了从仰卧到抬起位置的过渡。
🔬 方法详解
问题定义：论文旨在解决双臂机器人辅助重定位护理中的运动生成问题。现有方法在处理复杂交互、精确力控制和环境不确定性方面存在不足，难以实现安全有效的重定位操作。痛点在于如何让机器人智能地适应患者的姿势和状态，并施加适当的力，同时保证动作的流畅性和安全性。
核心思路：论文的核心思路是利用深度预测学习，结合体感（本体感受）和视觉注意力机制，使机器人能够预测并适应重定位过程中的力反馈和位置变化。通过学习大量的重定位数据，机器人可以掌握不同姿势下的最佳运动策略，并根据实时感知信息进行调整。阻抗控制的引入进一步提高了机器人与环境交互的柔顺性。
技术框架：整体架构包含以下主要模块：(1) 感知模块：利用视觉传感器和力/扭矩传感器获取环境和交互信息；(2) 注意力机制模块：根据感知信息，确定需要关注的关键区域和特征；(3) 深度预测学习模块：基于历史数据和当前状态，预测未来的运动轨迹和力反馈；(4) 阻抗控制模块：根据预测结果，调整机器人的运动参数，实现精确的力控制和姿态调整。整个流程是一个闭环控制系统，不断根据反馈信息进行调整。
关键创新：论文的关键创新在于将深度预测学习与体感注意力机制相结合，用于双臂机器人的重定位护理。体感注意力机制使机器人能够更加关注与力控制相关的关键区域，提高了力控制的精度和稳定性。深度预测学习则使机器人能够预测未来的运动轨迹和力反馈，从而更好地适应环境的变化。
关键设计：论文中，深度神经网络的具体结构未知，但可以推断其输入包括本体感受数据（关节角度、速度等）、视觉数据（图像或点云）、力/扭矩数据等。损失函数可能包含位置误差、力误差和运动平滑性约束。阻抗控制器的参数需要根据具体的机器人和任务进行调整。注意力机制的具体实现方式（例如，使用哪种注意力网络）未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的模型能够成功控制双臂机器人 Dry-AIREC 完成重定位任务，包括将手臂插入床和人体模型背部之间，以及从仰卧到抬起位置的过渡。机器人能够避免施加过大的力，保证了操作的安全性。虽然论文中没有给出具体的性能数据，但实验结果验证了该方法在重定位护理中的可行性和有效性。
🎯 应用场景
该研究成果可应用于医疗护理、养老服务等领域，帮助行动不便的人士进行身体重定位，减轻护理人员的负担，提高患者的生活质量。未来，该技术有望扩展到其他需要精细操作和人机协作的场景，例如康复训练、手术辅助等。
📄 摘要（原文）
Caregiving is a vital role for domestic robots, especially the repositioning care has immense societal value, critically improving the health and quality of life of individuals with limited mobility. However, repositioning task is a challenging area of research, as it requires robots to adapt their motions while interacting flexibly with patients. The task involves several key challenges: (1) applying appropriate force to specific target areas; (2) performing multiple actions seamlessly, each requiring different force application policies; and (3) motion adaptation under uncertain positional conditions. To address these, we propose a deep neural network (DNN)-based architecture utilizing proprioceptive and visual attention mechanisms, along with impedance control to regulate the robot's movements. Using the dual-arm humanoid robot Dry-AIREC, the proposed model successfully generated motions to insert the robot's hand between the bed and a mannequin's back without applying excessive force, and it supported the transition from a supine to a lifted-up position. The project page is here: https://sites.google.com/view/caregiving-robot-airec/repositioning