Human Motion Intent Inferencing in Teleoperation Through a SINDy Paradigm

📄 arXiv: 2511.08377v1 📥 PDF

作者: Michael Bowman, Xiaoli Zhang

分类: cs.RO, cs.HC

发布日期: 2025-11-11

备注: Open source software and video examples here: https://github.com/namwob44/Psychic

💡 一句话要点

Psychic：利用SINDy范式进行遥操作中人类运动意图推断

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 遥操作 意图推断 运动建模 非线性动力学 SINDy Kramers-Moyal系数 跳跃检测

📋 核心要点

  1. 现有遥操作意图推断方法忽略了操作者轨迹中细微但关键的运动变化，限制了对意图突变的快速准确识别。
  2. Psychic框架通过跳跃-漂移-扩散随机微分方程建模连续与非连续动力学，结合Kramers-Moyal系数和SINDy模型进行意图推断。
  3. 实验表明，Psychic能够生成概率可达集，并在免提遥操作任务中有效检测目标转换，优于负对数似然模型。

📝 摘要（中文）

遥操作中的意图推断对于协调操作者目标和机器人行为至关重要。然而，现有方法常常忽略了细微的运动，这些运动可能是意图突然改变的强烈指示。本文旨在解决三个问题：1) 是否可以检测操作者轨迹中的突然跳跃；2) 如何恰当地利用这些跳跃运动来推断操作者的目标状态；3) 如何整合这些不连续和连续的动力学来推断操作者的运动。我们提出的框架Psychic通过跳跃-漂移-扩散随机微分方程对这些细微的指示性运动进行建模，以涵盖不连续和连续动力学。Kramers-Moyal (KM) 系数使我们能够检测轨迹中的跳跃，并将其与统计异常值检测算法配对，以确定目标转换。通过识别跳跃，我们可以提前检测现有目标，并在非结构化场景中发现未定义的目标。我们的框架随后应用稀疏识别非线性动力学 (SINDy) 模型，使用 KM 系数和目标转换作为控制输入，以推断操作者在非结构化场景中的运动行为。我们展示了 Psychic 可以生成概率可达集，并将我们的策略与负对数似然模型拟合进行比较。我们对 600 个免提遥操作任务的操作者轨迹进行了回顾性研究，以评估我们的开源软件包 Psychic 在离线和在线学习中的有效性。

🔬 方法详解

问题定义：现有遥操作意图推断方法难以捕捉操作者运动轨迹中的突变，即“跳跃”现象，导致无法及时准确地预测操作者的意图变化。这些方法通常侧重于连续运动的建模，忽略了细微但具有指示意义的非连续运动，尤其是在非结构化环境中。

核心思路：Psychic框架的核心思路是将操作者的运动建模为一种包含连续运动（漂移和扩散）和非连续运动（跳跃）的随机过程。通过检测和分析这些“跳跃”，可以更早地识别操作者的目标转换，从而实现更快速、更准确的意图推断。利用Kramers-Moyal系数来量化这种跳跃行为，并将其作为SINDy模型的输入。

技术框架：Psychic框架主要包含以下几个阶段：1) 跳跃检测：利用Kramers-Moyal (KM) 系数检测操作者轨迹中的跳跃。2) 目标转换提名：将检测到的跳跃与统计异常值检测算法结合，提名可能的目标转换。3) SINDy模型学习：使用KM系数和目标转换作为控制输入，训练稀疏识别非线性动力学 (SINDy) 模型，以推断操作者的运动行为。4) 概率可达集生成：利用学习到的SINDy模型，生成概率可达集，用于预测操作者的未来运动轨迹。

关键创新：Psychic框架的关键创新在于：1) 将操作者运动建模为跳跃-漂移-扩散随机微分方程，能够同时处理连续和非连续动力学。2) 利用Kramers-Moyal系数来量化跳跃行为，并将其作为SINDy模型的输入，从而实现更准确的意图推断。3) 提出了一种基于跳跃检测的目标转换提名方法，能够提前检测现有目标，并在非结构化场景中发现未定义的目标。

关键设计：框架使用Kramers-Moyal系数来估计轨迹的局部扩散和漂移，从而检测跳跃。SINDy模型使用稀疏回归来识别控制输入（目标转换）对系统动力学的影响。框架使用概率可达集来表示对未来轨迹的预测，并使用负对数似然来评估模型的拟合程度。具体参数设置和网络结构细节在论文中未明确给出，属于未知信息。

📊 实验亮点

论文通过对600个免提遥操作轨迹的回顾性研究，验证了Psychic框架的有效性。实验结果表明，Psychic能够生成概率可达集，并有效检测目标转换。与负对数似然模型相比，Psychic在预测操作者意图方面表现更优，但具体性能提升幅度未知。

🎯 应用场景

该研究成果可应用于多种遥操作场景，例如：远程医疗手术、危险环境下的机器人操作、太空探索等。通过准确预测操作者的意图，可以提高遥操作系统的效率和安全性，降低操作难度，并实现人机协作的智能化。

📄 摘要（原文）

Intent inferencing in teleoperation has been instrumental in aligning operator goals and coordinating actions with robotic partners. However, current intent inference methods often ignore subtle motion that can be strong indicators for a sudden change in intent. Specifically, we aim to tackle 1) if we can detect sudden jumps in operator trajectories, 2) how we appropriately use these sudden jump motions to infer an operator's goal state, and 3) how to incorporate these discontinuous and continuous dynamics to infer operator motion. Our framework, called Psychic, models these small indicative motions through a jump-drift-diffusion stochastic differential equation to cover discontinuous and continuous dynamics. Kramers-Moyal (KM) coefficients allow us to detect jumps with a trajectory which we pair with a statistical outlier detection algorithm to nominate goal transitions. Through identifying jumps, we can perform early detection of existing goals and discover undefined goals in unstructured scenarios. Our framework then applies a Sparse Identification of Nonlinear Dynamics (SINDy) model using KM coefficients with the goal transitions as a control input to infer an operator's motion behavior in unstructured scenarios. We demonstrate Psychic can produce probabilistic reachability sets and compare our strategy to a negative log-likelihood model fit. We perform a retrospective study on 600 operator trajectories in a hands-free teleoperation task to evaluate the efficacy of our opensource package, Psychic, in both offline and online learning.