Eigengrasp

又稱: postural synergy, hand synergy
類別: Planning & manipulation › Manipulation
標籤: grasping, dexterous-hands, dimensionality-reduction, synergies, grasp-planning

機器人手關節空間中的一個基底方向，由典型的抓取姿勢推導而來，讓手形可以用少數幾個係數來描述與搜尋，而不必用每一個關節角。

定義

特徵抓取（eigengrasp）是手部關節空間中一小組方向之一，大多數有用的抓取姿勢都沿著這些方向變化。手部姿勢 p 寫成一個平均姿勢加上各特徵抓取的加權和，p = p₀ + Σ aᵢeᵢ，因此一隻約有二十個關節的手，只需幾個振幅 aᵢ 就能塑造出手形。這個概念由 Ciocarlie 與 Allen 引入機器人抓取規劃，其基礎是 Santello、Flanders 與 Soechting 在 1998 年對人手的研究；該研究發現，在記錄下來的抓取姿勢中，少數幾個稱為姿勢協同的主成分，就解釋了其中大部分的變異。特徵抓取通常是對這類姿勢做主成分分析而得，這些姿勢可以是映射到機器人手上的人類資料，也可以是專為該手設計的姿勢。

主要用途是抓取規劃。GraspIt! 內含一個特徵抓取規劃器，它以模擬退火對手腕姿態與特徵抓取振幅進行聯合搜尋，並由一個能量函數引導，該函數獎勵以合適的法向量貼近物體的手部表面。使用兩個特徵抓取時，搜尋空間是八維的，即手腕姿態的六維加上兩個振幅，而不是超過二十五維。一旦在子空間中找到有希望的預抓取，手指便在完整的關節空間中閉合直到接觸，再由抓取品質指標評估結果。

低維子空間也是主要的限制。位於子空間之外的姿勢，例如精確的指尖放置或不尋常的手指組合，在搜尋過程中無法達到，因此以這種方式找到的抓取會集中在少數幾種典型手形附近；近期的資料集研究指出，以特徵抓取規劃出的抓取分布狹窄，因而改在完整的關節空間中進行最佳化。除了規劃之外，同樣的概念也用於在遠端操作中把資料手套的輸入映射到機器人手上、為學習方法提供縮減的動作空間，並引導欠驅動手的設計；在這類手中，一兩個馬達沿著固定的協同模式驅動各手指。欠驅動手把這種耦合做進機構裡，而特徵抓取是在軟體中做的選擇，一旦找到粗略的抓取就可以捨棄。

為何重要

靈巧手的關節太多，無法進行單純的搜尋或探索。特徵抓取利用真實抓取的結構來降低這個維度，它同時解釋了早期的靈巧抓取規劃器為何有效，以及它們的輸出為何缺乏多樣性；當這些輸出被當作訓練資料使用時，這一點很重要。

主要應用

在 GraspIt! 中為多指手進行抓取規劃
透過協同子空間映射的資料手套遠端操作
用於學習靈巧策略的縮減動作空間
以協同為基礎的欠驅動手的設計與控制
義手的抓取合成
在運動學結構不同的手之間轉移抓取姿勢

實際應用

一位研究人員想為一隻有二十多個關節的五指手，在一組家用物品模型上產生抓取。他們在 GraspIt! 中為這隻手載入特徵抓取，這些特徵抓取是把人類抓取姿勢的主成分映射到機器人關節上而定義的；接著執行規劃器，規劃器改變手腕姿態與兩個振幅，同時為手掌與手指貼合每個物體的緊密程度評分。最好的幾個預抓取隨後在模擬中完全閉合，並以 epsilon 指標排序。檢視結果時，研究人員注意到幾乎每個抓取都是包覆式強力抓握的變化，而對小零件的捏取完全沒有出現，於是他們加入第二個階段，在完整的關節空間中精修最好的抓取，以找回更精細的指尖接觸。

常見誤解

特徵抓取是一種抓取類型，就像捏取或強力抓握 — 它是關節空間中的一個基底方向；任何單一姿勢都是幾個特徵抓取的組合
特徵抓取能表示手做得出的任何抓取 — 它們只張成一個子空間，因此精確或不尋常的姿勢會落在子空間之外
特徵抓取一定要來自人類資料 — 它們也可以人工設計，或從機器人自己的成功抓取中計算出來
使用特徵抓取會讓手變成欠驅動 — 在規劃中它們只限制搜尋；全驅動的手仍可獨立移動每個關節，例如在朝物體閉合時

誰需要了解

靈巧操作研究人員
機器人手與義手設計人員
把人手映射到機器人手的遠端操作工程師
產生抓取資料集的研究人員

Open Source Robotics

Eigengrasp

定義

為何重要

主要應用

實際應用

常見誤解

誰需要了解

相關技術

相關術語

相關專案