Eigengrasp

Auch genannt: postural synergy, hand synergy
Kategorie: Planning & manipulation › Manipulation
Schlagwörter: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning

Eine Basisrichtung im Gelenkraum einer Roboterhand, abgeleitet aus typischen Greifhaltungen, sodass Handformen mit wenigen Koeffizienten statt mit jedem Gelenkwinkel beschrieben und durchsucht werden können.

Definition

Ein Eigengrasp (eigengrasp) ist eine aus einer kleinen Menge von Richtungen im Gelenkraum einer Hand, entlang derer die meisten nützlichen Greifhaltungen variieren. Eine Handhaltung p wird als mittlere Haltung plus gewichtete Summe von Eigengrasps geschrieben, p = p₀ + Σ aᵢeᵢ, sodass eine Hand mit rund zwanzig Gelenken mit wenigen Amplituden aᵢ geformt werden kann. Die Idee wurde von Ciocarlie und Allen in die robotische Griffplanung eingeführt, aufbauend auf Studien zur menschlichen Hand von Santello, Flanders und Soechting aus dem Jahr 1998, die feststellten, dass wenige Hauptkomponenten aufgezeichneter Greifhaltungen, posturale Synergien genannt, den größten Teil ihrer Variation erklären. Eigengrasps werden meist durch Hauptkomponentenanalyse solcher Haltungen gewonnen, entweder menschlicher Daten, die auf die Roboterhand abgebildet werden, oder für sie entworfener Haltungen.

Die Hauptanwendung ist die Griffplanung. GraspIt! enthält einen Eigengrasp-Planer, der mit simulierter Abkühlung (Simulated Annealing) gemeinsam über die Handgelenkpose und die Eigengrasp-Amplituden sucht, gesteuert von einer Energie, die Handflächen belohnt, die mit passenden Normalen nahe am Objekt liegen. Mit zwei Eigengrasps hat die Suche acht Dimensionen, sechs für die Handgelenkpose und zwei Amplituden, statt mehr als fünfundzwanzig. Sobald im Unterraum ein vielversprechender Vorgriff gefunden ist, schließen sich die Finger in ihrem vollen Gelenkraum, bis sie Kontakt haben, und ein Griffqualitätsmaß bewertet das Ergebnis.

Der niedrigdimensionale Unterraum ist zugleich die wichtigste Einschränkung. Haltungen außerhalb davon, etwa präzise Fingerspitzenplatzierungen oder ungewöhnliche Fingerkombinationen, sind während der Suche nicht erreichbar, sodass so gefundene Griffe sich um wenige typische Handformen sammeln; neuere Arbeiten zu Datensätzen stellen fest, dass mit Eigengrasps geplante Griffe einer engen Verteilung folgen, und optimieren stattdessen über den vollen Gelenkraum. Über die Planung hinaus bildet dieselbe Idee bei der Teleoperation Datenhandschuh-Eingaben auf Roboterhände ab, gibt Lernverfahren einen reduzierten Aktionsraum und leitet den Entwurf unteraktuierter Hände, bei denen ein oder zwei Motoren die Finger entlang fester Synergien antreiben. Eine unteraktuierte Hand baut eine solche Kopplung in ihre Mechanik ein, während Eigengrasps eine in Software getroffene Wahl sind und fallen gelassen werden können, sobald ein grober Griff gefunden ist.

Warum es wichtig ist

Geschickte Hände haben zu viele Gelenke für naive Suche oder Exploration. Eigengrasps verringern diese Dimensionalität anhand der Struktur realer Griffe, und sie erklären sowohl, warum frühe Planer für geschickte Griffe funktionierten, als auch, warum ihren Ergebnissen die Vielfalt fehlte, was wichtig ist, wenn diese Ergebnisse als Trainingsdaten verwendet werden.

Wichtige Anwendungen

Griffplanung für mehrfingrige Hände in GraspIt!
Datenhandschuh-Teleoperation, abgebildet über einen Synergie-Unterraum
Reduzierte Aktionsräume zum Lernen geschickter Policies
Entwurf und Regelung synergiebasierter unteraktuierter Hände
Griffsynthese für Handprothesen
Übertragung von Greifhaltungen zwischen Händen mit unterschiedlicher Kinematik

In der Praxis

Eine Forscherin möchte Griffe für eine fünffingrige Hand mit über zwanzig Gelenken an einer Reihe von Haushaltsobjektmodellen. In GraspIt! lädt sie Eigengrasps für die Hand, definiert durch Abbilden der Hauptkomponenten menschlicher Greifhaltungen auf die Robotergelenke, und startet den Planer, der die Handgelenkpose und zwei Amplituden variiert und dabei bewertet, wie eng sich Handfläche und Finger an jedes Objekt anschmiegen. Die besten Vorgriffe werden dann in der Simulation vollständig geschlossen und mit dem Epsilon-Maß geordnet. Bei der Durchsicht der Ergebnisse bemerkt die Forscherin, dass fast jeder Griff eine Variante eines umschließenden Kraftgriffs ist und Pinzettengriffe für kleine Teile fehlen, und fügt daher eine zweite Stufe hinzu, die die besten Griffe im vollen Gelenkraum verfeinert, um feinere Fingerspitzenkontakte zurückzugewinnen.

Häufige Missverständnisse

Ein Eigengrasp ist ein Grifftyp, wie ein Pinzettengriff oder ein Kraftgriff — er ist eine Basisrichtung im Gelenkraum; jede einzelne Haltung ist eine Kombination mehrerer
Eigengrasps können jeden Griff darstellen, den die Hand ausführen kann — sie spannen nur einen Unterraum auf, sodass präzise oder ungewöhnliche Haltungen außerhalb liegen
Eigengrasps müssen aus menschlichen Daten stammen — sie können auch von Hand entworfen oder aus den eigenen erfolgreichen Griffen eines Roboters berechnet werden
Die Verwendung von Eigengrasps macht die Hand unteraktuiert — in der Planung schränken sie nur die Suche ein; eine vollaktuierte Hand kann jedes Gelenk weiterhin unabhängig bewegen, zum Beispiel beim Schließen um das Objekt

Wer das wissen sollte

Forschende in der geschickten Manipulation
Entwickler von Roboterhänden und Handprothesen
Teleoperationsingenieure, die menschliche Hände auf Roboterhände abbilden
Forschende, die Griffdatensätze erzeugen

Open Source Robotics