Two-Layer Attention Optimization for Bimanual Coordination
作者: Justin Ting, Jing Shuang Li
分类: eess.SY
发布日期: 2024-11-12 (更新: 2025-03-14)
备注: American Controls Conference 2025
💡 一句话要点
提出双层注意力优化控制器，解决双手动协调中的注意力分配问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 双手动协调 注意力分配 最优控制 双层控制 机器人控制
📋 核心要点
- 现有方法在处理双手动协调任务时，难以有效模拟人类的注意力分配机制，导致控制效率低下。
- 论文提出一种双层控制器，上层负责优化注意力分配，下层控制双手轨迹跟踪，模拟人类的注意力分配过程。
- 实验表明，该方法能有效协调双手，最小化注意力和控制力，在乒乓球游戏中表现出更好的性能。
📝 摘要（中文）
本文针对人执行双手动任务时，与物理代理相比，在最优控制方面存在的独特考虑，包括最小化注意力、在两个独立的手之间分配注意力以及协调双手以实现更广泛的目标。我们提出了一种双层控制器来捕捉这些考虑。上层解决注意力分配问题，而两个下层控制器（每只手一个）使用上层给出的解决方案跟踪轨迹。我们引入了一种注意力控制器的公式，其中注意力是一个向量，该向量被限制在双曲可行区域内，该区域由下层控制器的任务规范确定。该双层控制器用于优化单人乒乓球游戏，其中代理必须在两个球拍之间尽可能长时间地来回击球。我们发现，在下层控制器之上添加注意力层可以使代理协调左右手，从而在整个击球任务过程中最大限度地减少注意力和控制工作。
🔬 方法详解
问题定义：论文旨在解决双手动协调任务中，如何有效分配注意力资源的问题。现有方法通常难以模拟人类在执行此类任务时的注意力分配策略，导致控制效率和性能受限。特别是在需要双手协同完成复杂任务时，如何平衡双手之间的注意力分配，以及如何最小化整体的注意力需求，是亟待解决的难题。
核心思路：论文的核心思路是将双手动协调问题分解为两个层次：上层负责全局的注意力分配，下层负责具体的轨迹跟踪。通过优化上层的注意力分配策略，可以引导下层控制器更好地协调双手动作，从而在整体上最小化注意力和控制力。这种分层控制的思路借鉴了人类在执行复杂任务时的认知过程。
技术框架：该方法采用双层控制架构。上层是注意力分配控制器，其输入是任务状态和目标，输出是每只手的注意力分配权重。下层是两个独立的轨迹跟踪控制器，分别控制左右手。下层控制器接收上层控制器分配的注意力权重，并根据该权重调整控制策略，实现对目标轨迹的跟踪。整个框架通过迭代优化上层和下层控制器，最终实现双手动协调控制。
关键创新：该方法的关键创新在于提出了一个基于双曲可行区域的注意力控制器。该控制器将注意力表示为一个向量，并将其约束在一个双曲可行区域内。这种表示方式能够有效地建模注意力分配的约束条件，例如总注意力资源的限制，以及双手之间的注意力分配比例。此外，双层控制架构也为解决双手动协调问题提供了一种新的思路。
关键设计：注意力控制器采用了一种特殊的损失函数，该损失函数旨在最小化总的注意力需求，并平衡双手之间的注意力分配。下层控制器可以使用任何现有的轨迹跟踪算法，例如PID控制或模型预测控制。论文中，作者使用了一种基于优化的轨迹跟踪方法。双曲可行区域的形状由任务的规范决定，例如目标位置的范围和运动速度的限制。
📊 实验亮点
实验结果表明，与传统的单层控制器相比，该方法能够显著减少注意力和控制力，提高双手动协调的效率。在乒乓球游戏中，使用双层注意力优化控制器的代理能够更长时间地来回击球，表明该方法能够有效地协调左右手，并最小化整体的控制成本。具体性能提升数据未知。
🎯 应用场景
该研究成果可应用于机器人灵巧操作、人机协作、康复训练等领域。例如，在机器人灵巧操作中，可以利用该方法控制双臂机器人完成复杂的装配任务；在人机协作中，可以帮助机器人理解人类的意图，并与人类协同完成任务；在康复训练中，可以指导患者进行双上肢的协调训练，提高康复效果。该研究为提升双手动协调控制的智能化水平提供了新的思路。
📄 摘要（原文）
Bimanual tasks performed by human agents present unique optimal control considerations compared to cyberphysical agents. These considerations include minimizing attention, distributing attention across two isolated hands, and coordinating the two hands to reach a broader goal. In this work, we propose a two-layer controller that captures these considerations. The upper layer solves an attention distribution problem, while the two lower layer controllers (one per hand) tracks a trajectory using the solution given by the upper layer. We introduce a formulation of the attention controller where attention is a vector that is bound within a hyperbolic feasible region, which is determined by specifications of the task the lower layer controllers. This two-layer controller is used to optimize a single-player game of pong, where the agent must rally the ball between two paddles for as long as possible. We find that adding an attention layer on top of the lower controllers allows the agent to coordinate the left and right hands, which minimizes attention and control effort over the course of the rallying task.