YCB-Handovers Dataset: Analyzing Object Weight Impact on Human Handovers to Adapt Robotic Handover Motion

📄 arXiv: 2512.20847v1 📥 PDF

作者: Parag Khanna, Karen Jane Dsouza, Chunyu Wang, Mårten Björkman, Christian Smith

分类: cs.RO, cs.HC

发布日期: 2025-12-23

备注: Paper presented at the IEEE International Conference on Robot and Human Interactive Communication (RO-MAN), 2025

💡 一句话要点

提出YCB-Handovers数据集，用于分析物体重量对人机交接运动的影响，优化机器人运动规划。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 人机协作 机器人交接 运动规划 数据集 物体重量 YCB数据集

📋 核心要点

  1. 现有机器人交接研究缺乏对物体重量影响的充分考虑，导致机器人动作不够自然和高效。
  2. YCB-Handovers数据集通过记录大量不同重量物体的交接过程，为研究物体重量与人类交接运动之间的关系提供了数据基础。
  3. 该数据集可用于训练机器人，使其能够根据物体重量调整交接动作，从而实现更安全、更直观的人机协作。

📝 摘要（中文）

本文介绍了YCB-Handovers数据集，该数据集捕获了2771次人与人之间的物体交接运动数据，并记录了不同物体的重量。该数据集旨在弥合人机协作研究中的差距，深入了解物体重量对人类交接过程的影响，并为机器人运动规划提供直观的准备线索。该数据集基于YCB（耶鲁-卡内基梅隆-伯克利）数据集，该数据集是机器人操作算法（包括抓取和携带物体）中使用的已建立的标准数据集。YCB-Handovers数据集包含人类在交接过程中的运动模式，适用于数据驱动、受人类启发的模型，旨在实现重量敏感的运动规划和自适应机器人行为。该数据集涵盖了广泛的重量范围，可以更可靠地研究交接行为和重量变化。某些物体还需要小心交接，突出了与标准交接的对比。我们还详细分析了在这些交接过程中，物体的重量对人类伸手运动的影响。

🔬 方法详解

问题定义：现有机器人交接任务中，机器人往往无法根据物体的重量调整自身的运动，导致交接过程不够自然、流畅，甚至可能出现安全问题。缺乏包含不同重量物体交接过程的数据集是主要瓶颈。

核心思路：通过构建一个包含大量不同重量物体交接过程的数据集，分析物体重量对人类交接运动的影响，从而为机器人提供学习的样本，使其能够根据物体重量调整自身的运动。

技术框架：该研究的核心是构建YCB-Handovers数据集。数据集的构建流程包括：1) 选择YCB数据集中的物体作为交接对象；2) 设计不同的交接场景，并记录人类在不同重量物体下的交接运动数据；3) 对数据进行清洗、标注和处理，最终形成可用于机器学习的数据集。

关键创新：该研究的关键创新在于构建了一个包含大量不同重量物体交接过程的数据集，为研究物体重量对人类交接运动的影响提供了数据基础。此前，缺乏专门针对物体重量影响的交接数据集。

关键设计：数据集涵盖了广泛的重量范围，并包含了需要小心交接的物体，以增加数据集的多样性。研究人员还对数据进行了详细的分析，包括物体重量对人类伸手运动的影响，为机器人运动规划提供了有价值的信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

YCB-Handovers数据集包含2771次人与人之间的物体交接运动数据，涵盖了广泛的物体重量范围。研究人员对数据集进行了详细的分析，揭示了物体重量对人类伸手运动的影响。该数据集为机器人运动规划提供了有价值的信息，有望显著提升人机协作的性能。

🎯 应用场景

该研究成果可应用于各种人机协作场景，例如：工业机器人辅助工人进行重物搬运、医疗机器人辅助医生进行手术器械传递、家庭服务机器人辅助老年人进行物品交接等。通过使机器人能够根据物体重量调整交接动作，可以提高人机协作的效率和安全性，并改善用户体验。

📄 摘要（原文）

This paper introduces the YCB-Handovers dataset, capturing motion data of 2771 human-human handovers with varying object weights. The dataset aims to bridge a gap in human-robot collaboration research, providing insights into the impact of object weight in human handovers and readiness cues for intuitive robotic motion planning. The underlying dataset for object recognition and tracking is the YCB (Yale-CMU-Berkeley) dataset, which is an established standard dataset used in algorithms for robotic manipulation, including grasping and carrying objects. The YCB-Handovers dataset incorporates human motion patterns in handovers, making it applicable for data-driven, human-inspired models aimed at weight-sensitive motion planning and adaptive robotic behaviors. This dataset covers an extensive range of weights, allowing for a more robust study of handover behavior and weight variation. Some objects also require careful handovers, highlighting contrasts with standard handovers. We also provide a detailed analysis of the object's weight impact on the human reaching motion in these handovers.