Eigengrasp
- Detto anche: postural synergy, hand synergy
- Categoria: Planning & manipulation › Manipulation
- Tag: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning
Una direzione di base nello spazio dei giunti di una mano robotica, ricavata da posture di presa tipiche, così che le forme della mano possano essere descritte e cercate con pochi coefficienti invece che con tutti gli angoli dei giunti.
Definizione
Un eigengrasp è una di un piccolo insieme di direzioni nello spazio dei giunti di una mano lungo le quali varia la maggior parte delle posture di presa utili. Una postura della mano p si scrive come una postura media più una somma pesata di eigengrasp, p = p₀ + Σ aᵢeᵢ, così che una mano con una ventina di giunti può essere configurata con poche ampiezze aᵢ. L'idea è stata introdotta nella pianificazione della presa robotica da Ciocarlie e Allen, partendo dagli studi sulla mano umana di Santello, Flanders e Soechting del 1998, che hanno scoperto che poche componenti principali delle posture di presa registrate, chiamate sinergie posturali, spiegano la maggior parte della loro variazione. Gli eigengrasp si ottengono di solito con l'analisi delle componenti principali di tali posture, che siano dati umani mappati sulla mano robotica o posture progettate per essa.
L'uso principale è la pianificazione della presa. GraspIt! include un pianificatore a eigengrasp che cerca congiuntamente sulla posa del polso e sulle ampiezze degli eigengrasp con la ricottura simulata, guidato da un'energia che premia le superfici della mano vicine all'oggetto con normali adeguate. Con due eigengrasp la ricerca ha otto dimensioni, sei per la posa del polso e due ampiezze, invece di più di venticinque. Una volta trovata nel sottospazio una pre-presa promettente, le dita si chiudono nel loro spazio dei giunti completo fino al contatto, e una metrica di qualità della presa valuta il risultato.
Il sottospazio a bassa dimensione è anche il limite principale. Le posture che ne restano fuori, come posizionamenti precisi dei polpastrelli o combinazioni insolite delle dita, non possono essere raggiunte durante la ricerca, per cui le prese trovate in questo modo si raggruppano attorno a poche forme tipiche della mano; lavori recenti sui dataset osservano che le prese pianificate con gli eigengrasp seguono una distribuzione ristretta e ottimizzano invece sull'intero spazio dei giunti. Oltre alla pianificazione, la stessa idea mappa l'ingresso di un guanto sensorizzato sulle mani robotiche in teleoperazione, fornisce ai metodi di apprendimento uno spazio delle azioni ridotto e guida la progettazione di mani sottoattuate in cui uno o due motori muovono le dita lungo sinergie fisse. Una mano sottoattuata incorpora tale accoppiamento nel proprio meccanismo, mentre gli eigengrasp sono una scelta fatta nel software e possono essere abbandonati una volta trovata una presa approssimativa.
Perché è importante
Le mani per la manipolazione fine hanno troppi giunti per una ricerca o un'esplorazione ingenue. Gli eigengrasp riducono questa dimensionalità sfruttando la struttura delle prese reali, e spiegano sia perché i primi pianificatori di prese per la manipolazione fine funzionavano sia perché i loro risultati mancavano di diversità, il che conta quando quei risultati vengono usati come dati di addestramento.
Applicazioni principali
- Pianificazione della presa per mani a più dita in GraspIt!
- Teleoperazione con guanto sensorizzato mappata attraverso un sottospazio di sinergie
- Spazi delle azioni ridotti per apprendere policy di manipolazione fine
- Progettazione e controllo di mani sottoattuate basate su sinergie
- Sintesi di prese per mani protesiche
- Trasferimento di posture di presa tra mani con cinematiche diverse
In pratica
Un ricercatore vuole prese per una mano a cinque dita con più di venti giunti su un insieme di modelli di oggetti domestici. In GraspIt! carica gli eigengrasp della mano, definiti mappando sui giunti del robot le componenti principali di posture di presa umane, ed esegue il pianificatore, che varia la posa del polso e due ampiezze valutando quanto bene il palmo e le dita aderiscono a ciascun oggetto. Le migliori pre-prese vengono poi chiuse completamente in simulazione e ordinate con la metrica epsilon. Esaminando i risultati, il ricercatore nota che quasi ogni presa è una variante di una presa avvolgente di forza e che mancano le prese a pinza di pezzi piccoli, quindi aggiunge una seconda fase che raffina le prese migliori nell'intero spazio dei giunti per recuperare contatti più fini con i polpastrelli.
Idee sbagliate comuni
- Un eigengrasp è un tipo di presa, come una presa a pinza o una presa di forza — è una direzione di base nello spazio dei giunti; ogni singola postura è una combinazione di più eigengrasp
- Gli eigengrasp possono rappresentare qualsiasi presa che la mano può eseguire — generano solo un sottospazio, quindi le posture precise o insolite ne restano fuori
- Gli eigengrasp devono provenire da dati umani — possono anche essere progettati a mano o calcolati dalle prese riuscite del robot stesso
- Usare gli eigengrasp rende la mano sottoattuata — nella pianificazione vincolano solo la ricerca; una mano completamente attuata può comunque muovere ogni giunto in modo indipendente, per esempio quando si chiude sull'oggetto
Chi dovrebbe saperlo
- Ricercatori di manipolazione fine
- Progettisti di mani robotiche e di mani protesiche
- Ingegneri di teleoperazione che mappano le mani umane sulle mani robotiche
- Ricercatori che generano dataset di prese
Tecnologie correlate
- GraspIt!
- Analisi delle componenti principali (Principal Component Analysis)
- Sinergie posturali della mano (Postural Hand Synergies)
- Pisa/IIT SoftHand
- Guanti sensorizzati (Data Gloves)
- Ricottura simulata (Simulated Annealing)
Termini correlati
- Grasp Planning
- Dexterous Manipulation
- Underactuated Hand
- Grasp Quality Metric
- Motion Retargeting
- Configuration Space