SEARCH
MENU

日本のロボット研究の歩みHistory of Robotics Research and Development of Japan2006Integration, Intelligence, etc.〈インテグレーション・知能ほか〉日常生活支援のための机上作業のモデル化およびその認識と支援軌道の生成

佐藤知正東京大学
久保寺秀幸トヨタ自動車株式会社
原田達也東京大学
森武俊東京大学

この論文は、ロボット研究開発アーカイブ「日本のロボット研究開発の歩み」掲載論文です。

本研究では,あらかじめルールを与えずに観察から得た知識をもとに支援を実行する汎用的なロボットシステムの構築を目指し,その基本的な要素となる複数回の観察からの動作プリミティブに基づく物体操作の認識・予測・軌道生成手法の提案と実現を行った.さらに提案手法をロボットシステムに実装し,リアルワールドでも実演可能な手法であることを実証した.
具体的には,Hidden Nlarkov Model(HMM)に基づく時系列クラスタリング手法により動作プリミティブを獲得し,動作プリミティブの列として人間動作を認識する手法,Support Vector Machine(SVM)により支援物体操作の発生タイミングを予測する手法,Dynamic Neural Network(DNN)により物体位置に対応した支援軌道を生成する手法,それを環境との干渉を考えた軌道に修正する制御則をHMMの隠れ状態遷移から獲得する手法を示した.“ コップを引き寄せて中身を飲み片付ける” というシナリオを用いた検証実験により,獲得した動作プリミティブから人間動作を認識し適切なタイミングで支援物体操作の発生が予測可能であることを示した.また学習時と異なる状況における支援物体操作の軌道生成が可能であることを示した.
本研究の特色は以下の4点にまとめられる.(1)定性値表現による動作プリミティブの自動獲得,(2)各動作プリミティブに対応した動作生成器を組み合わせることにより多様な軌道の生成,(3)リアルワールドで重要となる力制御則の自動獲得(ただし,実機動作のための最低限のルールは組み込む),(4)支援操作の発生予測.またこの手法を提案するに当たり以下の三つの仮定を設けた.(4)-①日常的な比較的ゆっくりとした支援を念頭に置く.(4)-②任意の物体の把持・操作可能なロボットシステムが実現されている.(4)-③支援される人のメンタルモデルを考慮しない.
第23回 (2009年)日本ロボット学会論文賞受賞
Recognition, prediction and execution
Recognition, prediction and execution

動画


対応論文


佐藤知正,久保寺秀幸,原田達也,森武俊:日常生活支援のための机上作業のモデル化およびその認識と支援軌道の生成

日本ロボット学会誌Vol.25No.1,pp.81~91,2007

関連論文


[1] 平井成興,佐藤知正:“ テレロボットにおけるワールドモデル管理のための操縦行動の理解機能”,日本ロボット誌,vol.7.no.6,pp.714-724, 1989.
[2] K. Ikeuchi and T. Suehiro: “Toward an assembly plan from observation,part 1: Task recognition with polyhedral objects,”IEEE Trails Robotics and Automation, vol.10, no.3, pp.368-385, 1994.
[3] 國吉康夫,井上博允,稲葉雅幸:“人間が実演して見せる作業の実時間視覚認識とそのロボット教示への応用”,日本ロボット学会誌,vol.9,no.3,pp.295-,1991.
[4] S. Schaal and C.G. Atkeson: “Robot Juggling: Implementation of Memory-Based Learning,”IEEE Control Systems, vol.14,no.1, pp.57-71, 1994.
[5] D. Bentivegna, G. Cheng and C.G. Atkeson:“Learning from observation and from practice using behavioral primitives.”11th International Symposium on Robotics Research, 2003.
[6] 久保寺秀幸,原田達也,森武俊,佐藤知正:“ 動作プリミティブに基づく日常物体操作のロボットによる支援”,第5回計測自動制御学会システムインテグレーション部門講演会予稿集,pp.567-568, 2004.
[7] K. Ogawara, J. Takamatsu, H. Kimura and K. Ikeuchi: “Modeling manipulation interactions by hidden markov models,”Proceedings of the 2002 IEEE/RSJ Intl. Conference on Intelligent Robots and Systems, pp.1096-1101, 2002.
[8] X. Huang. Y. Ariki and M. Jack: Hidden Markov Models for Speech Recognition (Edinburgh Information Technology Series,7). Edinburgh University Press, 1990.
[9] T. Inamura, H. Tanie and Y. Nakamura: “Keyfrarne compression and decompression for time series data based on the continuous hidden markov model,” Proceedings of the IEEE/RSJ Intl. Conference on Intelligent Robots and Systems, pp.1487-1492, 2003.
[10] K. Tsuda, T. Kin and K. Asai: “Marginalized kernels for biological sequences.”Bioinformatics, vol.18, no.Suppl.1,pp.S268-S275, 2002.
[11] J. Yang, Y. Xu and C.S. Chen: “Human action learning via hidden markov model,” IEEE Transactions on Systems, Man, and Cybanetics, vol.27, no.1. pp.34-44, 1997.
[12] K.-R. Müller, S. Mika, G. Rätsch, K. Tsuda arid B. Schölkopf:“An introduction to kernel-based learning algorithms,”IEEE Transactions on Neural Networks, vol.12, no.2, pp.181 202, 2001.
[13] A.P. Dempster, D.B. Rubin and N.M. Laird:“Maximum likelihood from incomplete data via the EM algorithm,”Journal of Royal Statistical Society, Series B (Methodological), vol.39,no.1, pp.1-38, 1977.
[14] V.N. Vapnik: The Nature of Statistical Learning Theory (Statistics for Engineering and Information Science). Springer Varlag, 1995.
[15] T. Joachims:“Estimating the generalization performance of an svm efficiently,” Proceedings of the Seventeenth International Conference on Machine Learning, pp.431-438, 2000.