Human-Exoskeleton Kinematic Calibration to Improve Hand Tracking for Dexterous Teleoperation
作者: Haiyun Zhang, Stefano Dalla Gasperina, Saad N. Yousaf, Toshimitsu Tsuboi, Tetsuya Narita, Ashish D. Deshpande
分类: cs.RO, cs.HC, eess.SY
发布日期: 2025-07-31 (更新: 2025-11-04)
备注: 8 pages, 10 figures, 1 supplementary video, submitted to RA-L
💡 一句话要点
提出一种外骨骼手部运动学标定框架，提升灵巧遥操作的手部追踪精度
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 手部外骨骼 运动学标定 灵巧遥操作 手部追踪 数据驱动优化
📋 核心要点
- 现有手部外骨骼在遥操作中面临用户差异和穿戴不一致导致的追踪精度问题。
- 提出基于残差加权优化的主体特定标定框架，估计虚拟连杆参数以校正运动学偏差。
- 实验表明，该方法能显著降低关节和指尖追踪误差，提升运动保真度。
📝 摘要（中文）
手部外骨骼是灵巧遥操作和沉浸式操作界面的关键工具，但由于用户特定的解剖结构差异和穿戴不一致性，实现精确的手部追踪仍然是一个挑战。这些问题导致运动学错位，降低追踪性能，并限制其在精密任务中的适用性。本文提出了一种针对外骨骼手部追踪的主体特定标定框架，该框架通过残差加权优化来估计虚拟连杆参数。引入了一种数据驱动方法，通过运动捕捉真值来经验性地调整代价函数权重，从而实现跨用户的准确和一致的标定。该方法在Maestro手部外骨骼上对七名健康参与者进行了实施，在不同的手部几何结构中，关节和指尖追踪误差均显著降低。使用基于Unity的虚拟手的定性可视化进一步证明了运动保真度的提高。所提出的框架可推广到具有闭环运动学和最小传感的外骨骼，为高保真遥操作和机器人学习应用奠定了基础。
🔬 方法详解
问题定义：现有手部外骨骼在灵巧遥操作应用中，由于个体解剖结构差异和外骨骼穿戴方式的不一致性，导致手部运动学模型与实际情况存在偏差，从而降低手部追踪的精度。这种不精确的追踪严重影响了遥操作的性能，尤其是在需要高精度操作的任务中。
核心思路：该论文的核心思路是通过建立一个主体特定的运动学标定框架，来校正外骨骼手部追踪中的运动学偏差。通过优化虚拟连杆参数，使外骨骼的运动学模型更好地匹配用户的实际手部运动。这种方法旨在减少因用户差异和穿戴不一致性引起的追踪误差。
技术框架：该框架主要包含以下几个阶段：1) 数据采集：利用运动捕捉系统获取用户手部运动的真实数据。2) 虚拟连杆参数估计：通过残差加权优化方法，估计外骨骼运动学模型中的虚拟连杆参数。3) 代价函数权重调整：采用数据驱动方法，利用运动捕捉数据经验性地调整代价函数的权重，以提高标定的准确性和一致性。4) 验证：通过实验验证标定后的手部追踪精度。
关键创新：该论文的关键创新在于提出了一种数据驱动的残差加权优化方法，用于估计外骨骼的虚拟连杆参数。与传统的标定方法相比，该方法能够更好地适应不同用户的解剖结构差异和穿戴方式，从而实现更准确的手部追踪。此外，使用数据驱动方法调整代价函数权重，进一步提高了标定的鲁棒性和泛化能力。
关键设计：该方法使用残差加权最小二乘法作为优化目标，通过最小化外骨骼运动学模型预测的关节角度与运动捕捉系统测量的真实关节角度之间的差异。代价函数的设计考虑了不同关节的重要性，并使用数据驱动的方法调整权重。具体的参数设置包括虚拟连杆的长度和方向，以及代价函数中各个关节的权重。
🖼️ 关键图片
📊 实验亮点
该方法在七名健康参与者身上进行了实验验证，结果表明，与未标定的外骨骼相比，该方法能够显著降低关节和指尖的追踪误差。实验结果显示，在不同的手部几何结构中，关节和指尖的追踪误差均有明显降低，验证了该方法的有效性和鲁棒性。通过Unity虚拟手进行可视化，进一步验证了运动保真度的提升。
🎯 应用场景
该研究成果可广泛应用于灵巧遥操作、虚拟现实/增强现实(VR/AR)交互、机器人辅助康复等领域。通过提高手部追踪的精度，可以实现更自然、更高效的人机交互，提升远程操作的沉浸感和控制精度。此外，该方法还可以应用于机器人学习，为机器人提供更准确的手部运动数据，从而提高机器人的操作能力。
📄 摘要（原文）
Hand exoskeletons are critical tools for dexterous teleoperation and immersive manipulation interfaces, but achieving accurate hand tracking remains a challenge due to user-specific anatomical variability and donning inconsistencies. These issues lead to kinematic misalignments that degrade tracking performance and limit applicability in precision tasks. We propose a subject-specific calibration framework for exoskeleton-based hand tracking that estimates virtual link parameters through residual-weighted optimization. A data-driven approach is introduced to empirically tune cost function weights using motion capture ground truth, enabling accurate and consistent calibration across users. Implemented on the Maestro hand exoskeleton with seven healthy participants, the method achieved substantial reductions in joint and fingertip tracking errors across diverse hand geometries. Qualitative visualizations using a Unity-based virtual hand further demonstrate improved motion fidelity. The proposed framework generalizes to exoskeletons with closed-loop kinematics and minimal sensing, laying the foundation for high-fidelity teleoperation and robot learning applications.