1、論文背景 

目前遙操作機器人在醫(yī)療臨床、康復(fù)、深海探測、救援救災(zāi)等諸多L域得到了廣泛的應(yīng)用（圖1）。但是在操作過程中，由于人機交互性能不足、感知能力不佳，機器人只能完成一些簡單、重復(fù)的任務(wù)。例如，操作人員控制機器人執(zhí)行pickup任務(wù)[1]和維護任務(wù)[2]。為了解決上述問題，我們提出了一種新型的人機交互感知機制和學(xué)習(xí)算法來提G遙操作機器人的操控性能。先，為了增強遙操作系統(tǒng)的感知能力，我們設(shè)計了一個基于肌肉活性的人機交互界面，提取操作者的肌電信號，用于對外界環(huán)境做出反應(yīng)。通過遙操作系統(tǒng)的觸覺反饋和視覺反饋，人類操作者可以自然地作出反應(yīng)，發(fā)出正確的控制命令。肌電信號的強弱隨著操作任務(wù)的不同而不同，同時人機協(xié)作過程中的肌肉活性變化、機器人末端執(zhí)行器的軌跡、操作者的運動，都可以用來表征人機協(xié)作任務(wù)和意圖。機器人可以通過學(xué)習(xí)人類的操作行為來提升智能化程度，學(xué)習(xí)的內(nèi)容不僅包括運動軌跡，還有人類執(zhí)行任務(wù)時的剛度。通過學(xué)習(xí)人類的操作行為，遙操作機器人可以d立完成重復(fù)性任務(wù)或者不確定性任務(wù)。

圖1機器人遙操作示意圖

2、系統(tǒng)概述

如圖2所示，我們利用從端機器人的末端執(zhí)行器來完成執(zhí)行人機協(xié)作任務(wù)，采用隱半馬爾科夫模型獲取人機協(xié)作任務(wù)模型。在示教過程中，操作者可以通過生物信號感知界面感知操作過程中外力的變化，實時調(diào)整所需的增益/剛度，并將其映射到從端機器人的控制器中。示教過程中主要考慮了任務(wù)軌跡、剛度和力等數(shù)據(jù)，通過任務(wù)學(xué)習(xí)與復(fù)現(xiàn)階段，形成了人在閉環(huán)系統(tǒng)中的技能建模方案。如圖3所示，如圖該框架中將人機協(xié)作任務(wù)分為兩個階段：學(xué)習(xí)階段和復(fù)現(xiàn)階段。在學(xué)習(xí)階段，基于隱半馬爾科夫和混合G斯模型方法可以對人機協(xié)作任務(wù)進行學(xué)習(xí)，建立基于運動軌跡的生成任務(wù)模型。在復(fù)現(xiàn)階段，基于隱半馬爾科夫和混合G斯回歸方法可以對生成模型的任務(wù)軌跡進行修正，從學(xué)習(xí)的任務(wù)中復(fù)現(xiàn)結(jié)果[3]。

3、實驗分析

操作者通過Touch X控制Baxter機器人執(zhí)行繪圖任務(wù)，整個任務(wù)過程進行3次人機協(xié)作示教，繪圖任務(wù)在一張大小為210mm297mm (A4)的二維空間內(nèi)進行。圖4(a)所示為繪畫任務(wù)的運動軌跡和剛度軌跡。灰色曲線為人機協(xié)作繪畫的軌跡，紅色曲線為任務(wù)生成階段的結(jié)果。生成階段可以劃分為6個步驟(I-VI)和三個子任務(wù)。在步驟I和II中，Baxter機器人開始繪圖子任務(wù)1。步驟II和步驟III，Baxter機器人右臂末端離開紙張進行下一次繪圖操作。類似地，子任務(wù)2和子任務(wù)3分別由步驟III到IV和步驟V到VI完成。在任務(wù)學(xué)習(xí)階段，操作者的手臂剛度是隨著繪畫任務(wù)過程的變化而變化。如圖4(b)所示，Baxter機器人采用生成的剛度執(zhí)行繪畫任務(wù)。從圖4(b)中的(a)-(f)可以得出，Baxter機器人利用生成的模型成功的完成了繪圖任務(wù)。

4、分析與結(jié)論

本文提出了一種新型的觸覺肌電感知機制和基于隱半馬爾科夫模型-G斯混合理論的機器人學(xué)習(xí)框架。操作者通過調(diào)節(jié)自身的肌肉活性來應(yīng)對外界環(huán)境的變化，同時觀察和記錄人機協(xié)作過程中的肌肉活動情況。利用采集的肌電信號和提出的任務(wù)學(xué)習(xí)框架，遙操作機器人系統(tǒng)可以自然地與外界環(huán)境進行交互、編碼人機協(xié)作任務(wù)和生成任務(wù)模型，從而提升系統(tǒng)的類人化操作行為和智能化程度。

參考文獻：
[1] Penco L, Scianca N, Modugno V, et al. A MultimodeTeleoperation Framework for Humanoid Loco-Manipulation: An Application for the iCub Robot. IEEE Robotics & Automation Magazine, 2019, 26(4): 73-82.
[2] MaddahiY, Zareinia K, Sepehri N. An augmented virtual fixture to improve task performance in robot-assisted live-line maintenance. Computers & Electrical Engineering, 2015, 43: 292-305.
[3] Yang C, Luo J, Liu C, et al. Haptics electromyography perception and learning enhanced intelligence for teleoperated robot. IEEE Transactions on Automation Science and Engineering, 2018, 16(4): 1512-1521.