Sensorized gripper for human demonstrations
作者: Sri Harsha Turlapati, Gautami Golani, Mohammad Zaidi Ariffin, Domenico Campolo
分类: cs.RO
发布日期: 2025-03-19
💡 一句话要点
提出一种基于传感器 Gripper 的人机示教方法，用于箱中箱组装任务。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 人机示教 传感器夹爪 高斯混合模型 阻抗控制 机器人组装 笛卡尔空间规划
📋 核心要点
- 在非结构化环境中，易于编程是机器人普及的关键因素，现有方法在示教效率和泛化性上存在挑战。
- 该研究提出一种基于传感器夹爪的人机示教方法，通过记录人类演示来学习组装任务，并利用GMM提取运动特征。
- 实验表明，仅需少量短时程的演示，机器人即可成功重复箱中箱组装任务，验证了该方法的有效性。
📝 摘要（中文）
本文提出了一种配备传感器的夹爪，该夹爪由现成部件构建，用于记录人对箱中箱组装任务的演示。通过少量短时程试验，证明了机器人可以成功重复该任务。论文采用笛卡尔坐标系方法生成机器人运动，通过计算关节空间解，同时求解最优机器人位置，以最大化可操作性。利用高斯混合模型（GMM）提取人类演示的统计数据，并使用阻抗控制来控制机器人。
🔬 方法详解
问题定义：论文旨在解决在非结构化环境中机器人编程难的问题，特别是针对箱中箱组装这类复杂任务。现有方法通常需要大量的编程工作或复杂的环境建模，缺乏灵活性和易用性。人机示教是一种很有潜力的解决方案，但如何高效地从人类演示中提取关键信息并将其转化为机器人的控制指令仍然是一个挑战。
核心思路：论文的核心思路是利用一个配备传感器的夹爪来记录人类的演示，从而获取任务相关的运动信息和力/力矩信息。通过分析这些数据，可以学习到任务的关键步骤和约束，并将其用于控制机器人执行相同的任务。这种方法避免了复杂的编程和环境建模，提高了机器人的灵活性和易用性。
技术框架：该方法的技术框架主要包括以下几个阶段：1) 人类使用传感器夹爪进行任务演示，记录夹爪的运动轨迹和力/力矩数据。2) 使用高斯混合模型（GMM）对记录的数据进行建模，提取人类演示的统计特征。3) 基于笛卡尔坐标系方法生成机器人运动轨迹，通过计算关节空间解，同时求解最优机器人位置，以最大化机器人的可操作性。4) 使用阻抗控制方法，根据GMM模型生成的参考轨迹和力/力矩信息，控制机器人执行任务。
关键创新：该方法的主要创新点在于：1) 使用传感器夹爪来同时记录运动和力/力矩信息，从而更全面地捕捉人类演示的意图。2) 采用笛卡尔坐标系方法生成机器人运动轨迹，并优化机器人位置以提高可操作性。3) 利用GMM对人类演示进行建模，从而能够从少量演示中学习到任务的关键特征。
关键设计：在GMM建模中，需要选择合适的混合成分数量，并使用EM算法进行参数估计。在笛卡尔坐标系运动生成中，需要设计合适的优化目标函数，以最大化机器人的可操作性。在阻抗控制中，需要调整阻抗参数，以实现机器人与环境的稳定交互。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用该方法，机器人仅需少量（具体数量未知）短时程的人类演示，即可成功重复箱中箱组装任务。虽然论文中没有给出具体的性能数据和对比基线，但实验结果验证了该方法在简化机器人编程和提高任务执行效率方面的潜力。
🎯 应用场景
该研究成果可应用于各种需要机器人进行复杂组装任务的场景，例如电子产品组装、汽车零部件组装等。通过人机示教，可以快速部署机器人完成新的任务，降低了机器人编程的门槛，提高了生产效率。未来，该方法还可以扩展到更复杂的任务和更广泛的应用领域，例如医疗手术、家庭服务等。
📄 摘要（原文）
Ease of programming is a key factor in making robots ubiquitous in unstructured environments. In this work, we present a sensorized gripper built with off-the-shelf parts, used to record human demonstrations of a box in box assembly task. With very few trials of short interval timings each, we show that a robot can repeat the task successfully. We adopt a Cartesian approach to robot motion generation by computing the joint space solution while concurrently solving for the optimal robot position, to maximise manipulability. The statistics of the human demonstration are extracted using Gaussian Mixture Models (GMM) and the robot is commanded using impedance control.