Eigengrasp
- Aussi appelé: postural synergy, hand synergy
- Catégorie: Planning & manipulation › Manipulation
- Mots-clés: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning
Direction de base dans l'espace articulaire d'une main robotique, tirée de postures de saisie typiques, qui permet de décrire et d'explorer les formes de la main avec quelques coefficients au lieu de chaque angle articulaire.
Définition
Un eigengrasp est l'une des quelques directions de l'espace articulaire d'une main le long desquelles varient la plupart des postures de saisie utiles. Une posture de main p s'écrit comme une posture moyenne plus une somme pondérée d'eigengrasps, p = p₀ + Σ aᵢeᵢ, de sorte qu'une main d'une vingtaine d'articulations peut être façonnée avec quelques amplitudes aᵢ. L'idée a été introduite dans la planification de saisie robotique par Ciocarlie et Allen, en s'appuyant sur des études de la main humaine menées par Santello, Flanders et Soechting en 1998, qui ont montré que quelques composantes principales des postures de saisie enregistrées, appelées synergies posturales, expliquent l'essentiel de leur variation. Les eigengrasps sont généralement obtenus par analyse en composantes principales de telles postures, soit des données humaines transposées sur la main robotique, soit des postures conçues pour elle.
L'usage principal est la planification de saisie. GraspIt! inclut un planificateur par eigengrasps qui explore conjointement la pose du poignet et les amplitudes des eigengrasps par recuit simulé, guidé par une énergie qui récompense les surfaces de la main situées près de l'objet avec des normales adaptées. Avec deux eigengrasps, la recherche compte huit dimensions, six pour la pose du poignet et deux amplitudes, au lieu de plus de vingt-cinq. Une fois une pré-saisie prometteuse trouvée dans le sous-espace, les doigts se ferment dans leur espace articulaire complet jusqu'au contact, et une métrique de qualité de saisie évalue le résultat.
Le sous-espace de faible dimension est aussi la principale limite. Les postures qui en sortent, comme les placements précis du bout des doigts ou les combinaisons de doigts inhabituelles, ne peuvent pas être atteintes pendant la recherche, si bien que les saisies trouvées ainsi se regroupent autour de quelques formes de main typiques ; des travaux récents sur les jeux de données relèvent que les saisies planifiées par eigengrasps suivent une distribution étroite et optimisent plutôt sur l'espace articulaire complet. Au-delà de la planification, la même idée transpose les entrées d'un gant de données sur des mains robotiques en téléopération, offre aux méthodes d'apprentissage un espace d'action réduit et guide la conception de mains sous-actionnées dans lesquelles un ou deux moteurs entraînent les doigts selon des synergies fixes. Une main sous-actionnée intègre ce couplage dans son mécanisme, alors que les eigengrasps sont un choix fait dans le logiciel et peuvent être abandonnés une fois qu'une saisie grossière est trouvée.
Pourquoi c'est important
Les mains dextres ont trop d'articulations pour une recherche ou une exploration naïve. Les eigengrasps réduisent cette dimensionnalité en exploitant la structure des saisies réelles, et ils expliquent à la fois pourquoi les premiers planificateurs de saisies dextres fonctionnaient et pourquoi leurs résultats manquaient de diversité, ce qui compte lorsque ces résultats servent de données d'entraînement.
Applications principales
- Planification de saisie pour mains multidigitales dans GraspIt!
- Téléopération par gant de données transposée via un sous-espace de synergies
- Espaces d'action réduits pour l'apprentissage de politiques dextres
- Conception et commande de mains sous-actionnées fondées sur les synergies
- Synthèse de saisie pour les mains prothétiques
- Transfert de postures de saisie entre mains de cinématiques différentes
En pratique
Une chercheuse veut des saisies pour une main à cinq doigts de plus de vingt articulations sur un ensemble de modèles d'objets domestiques. Dans GraspIt!, elle charge les eigengrasps de la main, définis en transposant sur les articulations du robot les composantes principales de postures de saisie humaines, et lance le planificateur, qui fait varier la pose du poignet et deux amplitudes tout en notant à quel point la paume et les doigts épousent chaque objet. Les meilleures pré-saisies sont ensuite entièrement refermées en simulation et classées avec la métrique epsilon. En examinant les résultats, la chercheuse remarque que presque chaque saisie est une variante d'une saisie de force enveloppante et que les pinces sur les petites pièces manquent ; elle ajoute donc une seconde étape qui affine les meilleures saisies dans l'espace articulaire complet pour retrouver des contacts plus fins du bout des doigts.
Idées reçues
- Un eigengrasp est un type de saisie, comme une pince ou une saisie de force — c'est une direction de base dans l'espace articulaire ; toute posture individuelle est une combinaison de plusieurs
- Les eigengrasps peuvent représenter n'importe quelle saisie que la main peut réaliser — ils n'engendrent qu'un sous-espace, de sorte que les postures précises ou inhabituelles en sortent
- Les eigengrasps doivent provenir de données humaines — ils peuvent aussi être conçus à la main ou calculés à partir des saisies réussies du robot lui-même
- Utiliser des eigengrasps rend la main sous-actionnée — en planification, ils ne contraignent que la recherche ; une main entièrement actionnée peut toujours bouger chaque articulation indépendamment, par exemple en se refermant sur l'objet
Qui devrait le savoir
- Chercheurs en manipulation dextre
- Concepteurs de mains robotiques et de mains prothétiques
- Ingénieurs en téléopération qui transposent les mains humaines sur des mains robotiques
- Chercheurs qui génèrent des jeux de données de saisie
Technologies associées
- GraspIt!
- Analyse en composantes principales (Principal Component Analysis)
- Synergies posturales de la main (Postural Hand Synergies)
- Pisa/IIT SoftHand
- Gants de données (Data Gloves)
- Recuit simulé (Simulated Annealing)
Termes associés
- Grasp Planning
- Dexterous Manipulation
- Underactuated Hand
- Grasp Quality Metric
- Motion Retargeting
- Configuration Space