12、在线人类手中操作技能识别与学习

在线人类手中操作技能识别与学习

1. 引言

灵巧假肢手的发展使其在结构和功能上与人类手高度相似。如何将人类手的能力赋予假肢手成为前沿研究课题。手中操作技能是人类手的一系列特定技能，指人类用一只手与物体交互的能力，在此过程中物体可被移动、旋转或变形。传统的硬编码方法在转移人类手中操作技能时既繁琐又低效，因此基于示范学习（LfD）范式，提出了一种用于人类手中操作技能学习的在线学习模型。

人类通常在成长过程中学会手中操作技能，这些技能在日常生活中起着重要作用。然而，对于机器人系统或假肢来说，获取这些技能是一项具有挑战性的任务。首先，高精度感知人类手的运动很困难，因为人类手的结构相当复杂，有27块骨头和多达25个自由度。大量的感官信息也给分析这种复杂物理结构执行的动作带来了困难。此外，收集用于分类器训练的理想样本数量的数据集通常需要大量的人类动作，这既占用大量内存，又需要人类大量参与。为克服这些困难，提出了一种新颖的在线框架用于人类手中操作技能学习。在该框架中，使用具有固定组件数量的高斯混合模型（GMM）来表示轨迹数据，一种受期望最大化（EM）启发的增量学习算法有助于更新GMM的参数，从而使人类参与者无需一次重复一种手中操作。在这个过程中，识别为长期学习中的相应GMM更新提供了线索。

2. 相关工作

2.1 手中运动捕捉

近年来，许多文献研究了人类手中操作，这些研究从运动学角度揭示了物体与人类手之间的关系，并为设计用于收集人类操作运动数据的传感系统提供了指导。有许多用于测量人类手运动的传感系统，如数据手套、相机系统和肌电图（EMG）系统。由于与EMG系统相比，数据手套具有高精度和更好的抗干扰能力，因此它被证明是手中运动感知最重要的传感设备之