Eigengrasp
- También llamado: postural synergy, hand synergy
- Categoría: Planning & manipulation › Manipulation
- Etiquetas: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning
Una dirección de base en el espacio articular de una mano robótica, derivada de posturas de agarre típicas, para que las formas de la mano puedan describirse y buscarse con unos pocos coeficientes en lugar de con todos los ángulos articulares.
Definición
Un eigengrasp es una de las pocas direcciones del espacio articular de una mano a lo largo de las cuales varían la mayoría de las posturas de agarre útiles. Una postura de la mano p se escribe como una postura media más una suma ponderada de eigengrasps, p = p₀ + Σ aᵢeᵢ, de modo que una mano con unas veinte articulaciones puede configurarse con unas pocas amplitudes aᵢ. La idea la introdujeron en la planificación de agarre robótica Ciocarlie y Allen, a partir de los estudios sobre la mano humana de Santello, Flanders y Soechting en 1998, que hallaron que unas pocas componentes principales de las posturas de agarre registradas, llamadas sinergias posturales, explican la mayor parte de su variación. Los eigengrasps suelen obtenerse mediante análisis de componentes principales de esas posturas, ya sean datos humanos trasladados a la mano robótica o posturas diseñadas para ella.
El uso principal es la planificación de agarre. GraspIt! incluye un planificador de eigengrasps que busca conjuntamente sobre la pose de la muñeca y las amplitudes de los eigengrasps con recocido simulado, guiado por una energía que premia que las superficies de la mano queden cerca del objeto con normales adecuadas. Con dos eigengrasps, la búsqueda tiene ocho dimensiones, seis para la pose de la muñeca y dos amplitudes, en lugar de más de veinticinco. Una vez encontrado en el subespacio un preagarre prometedor, los dedos se cierran en su espacio articular completo hasta hacer contacto, y una métrica de calidad de agarre evalúa el resultado.
El subespacio de baja dimensión es también la principal limitación. Las posturas que quedan fuera de él, como colocaciones precisas de las yemas de los dedos o combinaciones de dedos poco habituales, no pueden alcanzarse durante la búsqueda, por lo que los agarres encontrados así se concentran en torno a unas pocas formas típicas de la mano; trabajos recientes sobre conjuntos de datos señalan que los agarres planificados con eigengrasps siguen una distribución estrecha y optimizan en su lugar sobre el espacio articular completo. Más allá de la planificación, la misma idea traslada la entrada de un guante de datos a manos robóticas en teleoperación, da a los métodos de aprendizaje un espacio de acciones reducido y guía el diseño de manos subactuadas en las que uno o dos motores mueven los dedos a lo largo de sinergias fijas. Una mano subactuada incorpora ese acoplamiento en su mecanismo, mientras que los eigengrasps son una elección hecha en software y pueden abandonarse una vez encontrado un agarre aproximado.
Por qué importa
Las manos diestras tienen demasiadas articulaciones para una búsqueda o una exploración ingenuas. Los eigengrasps reducen esa dimensionalidad aprovechando la estructura de los agarres reales, y explican tanto por qué funcionaban los primeros planificadores de agarres diestros como por qué sus resultados carecían de diversidad, lo que importa cuando esos resultados se usan como datos de entrenamiento.
Aplicaciones clave
- Planificación de agarre para manos multidedo en GraspIt!
- Teleoperación con guante de datos trasladada a través de un subespacio de sinergias
- Espacios de acciones reducidos para aprender políticas de manipulación diestra
- Diseño y control de manos subactuadas basadas en sinergias
- Síntesis de agarres para manos protésicas
- Transferencia de posturas de agarre entre manos con cinemáticas distintas
En la práctica
Un investigador quiere agarres para una mano de cinco dedos con más de veinte articulaciones sobre un conjunto de modelos de objetos domésticos. En GraspIt! carga los eigengrasps de la mano, definidos trasladando a las articulaciones del robot las componentes principales de posturas de agarre humanas, y ejecuta el planificador, que varía la pose de la muñeca y dos amplitudes mientras puntúa lo bien que la palma y los dedos se adaptan a cada objeto. Los mejores preagarres se cierran después por completo en simulación y se ordenan con la métrica épsilon. Al revisar los resultados, el investigador observa que casi todos los agarres son variantes de un agarre envolvente de fuerza y que faltan pinzas sobre piezas pequeñas, así que añade una segunda etapa que refina los mejores agarres en el espacio articular completo para recuperar contactos más finos con las yemas de los dedos.
Ideas erróneas comunes
- Un eigengrasp es un tipo de agarre, como una pinza o un agarre de fuerza — es una dirección de base en el espacio articular; cualquier postura concreta es una combinación de varios
- Los eigengrasps pueden representar cualquier agarre que la mano pueda hacer — solo generan un subespacio, así que las posturas precisas o poco habituales quedan fuera de él
- Los eigengrasps tienen que salir de datos humanos — también pueden diseñarse a mano o calcularse a partir de los propios agarres exitosos de un robot
- Usar eigengrasps hace que la mano sea subactuada — en la planificación solo restringen la búsqueda; una mano totalmente actuada puede seguir moviendo cada articulación de forma independiente, por ejemplo al cerrarse sobre el objeto
Quién debería saberlo
- Investigadores en manipulación diestra
- Diseñadores de manos robóticas y de manos protésicas
- Ingenieros de teleoperación que trasladan manos humanas a manos robóticas
- Investigadores que generan conjuntos de datos de agarres
Tecnologías relacionadas
- GraspIt!
- Análisis de componentes principales (Principal Component Analysis)
- Sinergias posturales de la mano (Postural Hand Synergies)
- Pisa/IIT SoftHand
- Guantes de datos (Data Gloves)
- Recocido simulado (Simulated Annealing)
Términos relacionados
- Grasp Planning
- Dexterous Manipulation
- Underactuated Hand
- Grasp Quality Metric
- Motion Retargeting
- Configuration Space