Eigengrasp
- Também chamado: postural synergy, hand synergy
- Categoria: Planning & manipulation › Manipulation
- Tags: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning
Uma direção de base no espaço das juntas de uma mão robótica, derivada de posturas de preensão típicas, para que as formas da mão possam ser descritas e buscadas com poucos coeficientes em vez de todos os ângulos das juntas.
Definição
Um eigengrasp é uma de um pequeno conjunto de direções no espaço das juntas de uma mão ao longo das quais variam a maioria das posturas de preensão úteis. Uma postura da mão p é escrita como uma postura média mais uma soma ponderada de eigengrasps, p = p₀ + Σ aᵢeᵢ, de modo que uma mão com cerca de vinte juntas pode ser configurada com algumas poucas amplitudes aᵢ. A ideia foi introduzida no planejamento de preensão robótica por Ciocarlie e Allen, com base em estudos sobre a mão humana de Santello, Flanders e Soechting em 1998, que constataram que alguns poucos componentes principais das posturas de preensão registradas, chamados de sinergias posturais, respondem pela maior parte da sua variação. Os eigengrasps costumam ser obtidos por análise de componentes principais dessas posturas, sejam dados humanos mapeados para a mão robótica ou posturas projetadas para ela.
O uso principal é o planejamento de preensão. O GraspIt! inclui um planejador de eigengrasps que busca conjuntamente sobre a pose do punho e as amplitudes dos eigengrasps com recozimento simulado, guiado por uma energia que recompensa superfícies da mão próximas do objeto com normais adequadas. Com dois eigengrasps, a busca tem oito dimensões, seis para a pose do punho e duas amplitudes, em vez de mais de vinte e cinco. Uma vez encontrada no subespaço uma pré-preensão promissora, os dedos se fecham em seu espaço de juntas completo até fazerem contato, e uma métrica de qualidade de preensão avalia o resultado.
O subespaço de baixa dimensão é também a principal limitação. Posturas que ficam fora dele, como posicionamentos precisos das pontas dos dedos ou combinações incomuns de dedos, não podem ser alcançadas durante a busca, então as preensões encontradas dessa forma se concentram em torno de algumas formas típicas da mão; trabalhos recentes com conjuntos de dados observam que as preensões planejadas com eigengrasps seguem uma distribuição estreita e, em vez disso, otimizam sobre o espaço de juntas completo. Além do planejamento, a mesma ideia mapeia a entrada de uma luva de dados para mãos robóticas na teleoperação, dá aos métodos de aprendizado um espaço de ações reduzido e orienta o projeto de mãos subatuadas em que um ou dois motores acionam os dedos ao longo de sinergias fixas. Uma mão subatuada incorpora esse acoplamento ao seu mecanismo, enquanto os eigengrasps são uma escolha feita em software e podem ser abandonados quando uma preensão aproximada é encontrada.
Por que importa
Mãos destras têm juntas demais para uma busca ou exploração ingênua. Os eigengrasps reduzem essa dimensionalidade usando a estrutura das preensões reais, e explicam tanto por que os primeiros planejadores de preensão destra funcionavam quanto por que seus resultados careciam de diversidade, o que importa quando esses resultados são usados como dados de treinamento.
Principais aplicações
- Planejamento de preensão para mãos com vários dedos no GraspIt!
- Teleoperação com luva de dados mapeada através de um subespaço de sinergias
- Espaços de ações reduzidos para aprender políticas de manipulação destra
- Projeto e controle de mãos subatuadas baseadas em sinergias
- Síntese de preensões para mãos protéticas
- Transferência de posturas de preensão entre mãos com cinemáticas diferentes
Na prática
Um pesquisador quer preensões para uma mão de cinco dedos com mais de vinte juntas sobre um conjunto de modelos de objetos domésticos. No GraspIt! ele carrega eigengrasps para a mão, definidos mapeando componentes principais de posturas de preensão humanas para as juntas do robô, e executa o planejador, que varia a pose do punho e duas amplitudes enquanto pontua o quanto a palma e os dedos se conformam a cada objeto. As melhores pré-preensões são então fechadas por completo em simulação e ordenadas com a métrica épsilon. Ao revisar os resultados, o pesquisador percebe que quase todas as preensões são variações de uma preensão envolvente de força e que faltam pinças de peças pequenas, então acrescenta uma segunda etapa que refina as melhores preensões no espaço de juntas completo para recuperar contatos mais finos com as pontas dos dedos.
Equívocos comuns
- Um eigengrasp é um tipo de preensão, como uma pinça ou uma preensão de força — é uma direção de base no espaço das juntas; qualquer postura isolada é uma combinação de vários
- Os eigengrasps conseguem representar qualquer preensão que a mão possa fazer — eles geram apenas um subespaço, então posturas precisas ou incomuns ficam fora dele
- Os eigengrasps precisam vir de dados humanos — eles também podem ser projetados à mão ou calculados a partir das próprias preensões bem-sucedidas de um robô
- Usar eigengrasps torna a mão subatuada — no planejamento eles restringem apenas a busca; uma mão totalmente atuada ainda pode mover cada junta de forma independente, por exemplo ao se fechar sobre o objeto
Quem deve saber
- Pesquisadores de manipulação destra
- Projetistas de mãos robóticas e de mãos protéticas
- Engenheiros de teleoperação que mapeiam mãos humanas para mãos robóticas
- Pesquisadores que geram conjuntos de dados de preensão
Tecnologias relacionadas
- GraspIt!
- Análise de componentes principais (Principal Component Analysis)
- Sinergias posturais da mão (Postural Hand Synergies)
- Pisa/IIT SoftHand
- Luvas de dados (Data Gloves)
- Recozimento simulado (Simulated Annealing)
Termos relacionados
- Grasp Planning
- Dexterous Manipulation
- Underactuated Hand
- Grasp Quality Metric
- Motion Retargeting
- Configuration Space