文摘

最近,作为新型冠状病毒的传染性很强的疾病(COVID-19)席卷全球,越来越多的患者需要在医院的房间被孤立,所以如何交付这些传染性病人的饮食或药物是紧迫的工作。它是可靠和有效的方法运送医疗用品或食物给病人使用机器人,但是如何教机器人到目的地,进入门像人类是一个令人兴奋的任务。摘要小说类人控制框架移动医疗服务机器人是一个Kinect传感器是用来管理人类活动识别生成设计教学轨迹。与此同时,学习技术的动态运动原语(DMP)的高斯混合模型(GMM)应用于把技能从人类的机器人。neural-based模型预测遵循教学实现轨迹跟踪控制器。最后,一些示威活动进行在医院房间里,说明了开发框架的优越性和有效性。

1。介绍

在过去的几个月里,一种新的冠状病毒已经导致了疫情的病毒性肺炎(1,2]。超过98000人被感染,和超过3400人死亡报告(3]。这些患者的症状包括高温、咳嗽、气短、头痛,是一种高传染性疾病(4]。越来越多的病人需要医院的隔离在独立的房间。如何运输食物和药物给病人和减少医务人员的感染同时是一个热点问题。这是一个安全的和有用的方法运送医疗用品或食物给病人使用机器人。因此,本文着重于如何控制机器人到目的地,进入门像人类在同一时间。

目前机器人技术转移的重要主题之一种系统。不同的外部环境条件下,特别是在病房,协助医疗救援机器人的主要挑战是如何运送医疗用品(5安全)。机器人系统获得学习能力由人类通过认知知识传播(6]。同时,通过学习的方法human-in-the-loop,机器人的性能改进,使系统更聪明(7,8]。

人机交互(HRI)致力于更聪明和拟人化机器人的发展,这是一个次区域的人机交互研究人类和机器人之间的交互(9,10]。在一些危险地区,减少员工参与,机器人必须执行操作。HRI技术可用于执行远程操作机器人有效(11]。因此,它不仅广泛应用于机器人系统的研究,但它也在机器人系统的实现中扮演着重要的角色。此外,在某些特定的活动,人机交互扮演重要的角色。例如,远程医疗机器人人机交互的操作是最安全的方法在医疗过程中,允许用户与协调反馈的机器人通过触觉信号(12]。为了提高外科医生性能,实验方法描述human-robot-assisted手术系统进行了探讨。在机器人控制、建立视觉阻抗计划用于实现动态控制的活动水平。完成视觉伺服系统和传统的伺服系统的集成,苏et al。13)提出了视觉阻抗计划控制方案;即图像的特点是应用于阻抗方程。然而,缺陷在于,这项研究仍然是有限的一个自适应的决定。除此之外,两个主题广泛应用于HRI [14),其中一个代表的是人机交互界面操作键盘,,另一个是由一个触摸屏人机交互操作。因此,本文档主要集中于人机交互与示范教学。

与此同时,另一个先进的人机操作技术技能传播通过示范教学(15,16),在这个过程中,运动控制策略和广义输出(17)学会运动技能转移到机器人运动的示威者。繁殖行为感知、行为表现、行为三个过程模仿学习的过程。一些特殊功能的方法可用于项目的学习过程,如动态运动原语(DMP)和隐马尔可夫模型(HMM) [18,19]。随机模型,如高斯混合模型(GMM),有一些强大的功能代码和过程噪声,这样他们可以更有效地处理高维问题。trajectory-level表示这是概率模型的基础上,利用随机模型的特征模型的运动轨迹,从而更有效地解决问题。运动轨迹繁殖和运动控制属于生殖行为的范畴,在轨迹繁殖是一个传输编码的数据的过程。主要传播回归的一些技术,如高斯过程回归(GPR)和高斯混合回归(GMR)和反馈变量是一个播放行为从主持人。换句话说,它是一个广义输出映射到机器人运动控制运动繁殖[20.- - - - - -22]。

使用最广泛的技术广泛应用于科学研究人类行为的统计模型是机器学习(毫升)和深度学习(DL)技术。在前面的工作中,为了确定人类活动的认可率进行比较,不同的组合传感器采用,深卷积神经网络(DCNN)应用于哈尔系统(23]。此外,毫升方法用于提高哈尔的自适应识别和实时监控系统来克服耗时的策略。这些分类器已被证明在动态情况下识别更多的人类活动,从而提高精度,提高鲁棒性,实现节省时间的影响(13,24]。此外,DL相结合的混合分层分类算法和基于阈值的方法,提出了区分复杂事件,以便快速计算。虽然我们的先前的研究已经提出了许多有效的框架,最可接受的结果取得了有限的假设和条件不能满足复杂环境医学的房间。

在这篇文章中,小说类人移动医疗服务机器人的控制框架,在Kinect传感器是用于实现人类活动识别生成设计教学轨迹。同时,学习技术的动态运动原语(DMP)与高斯混合模型(GMM)应用于人类的技能转移到机器。此外,neural-enhanced模型预测遵循教学实现轨迹跟踪控制器。最后,一些示威活动进行的医疗空间占了该框架的有效性和优越性。本文的主要贡献如下所述:(1)为了控制移动服务机器人运输医疗用品或食物病人患有冠状病毒,一种新的人类控制框架进行了探讨。(2)Kinect传感器技术应用于技术转移的移动医疗服务机器人收集点,运动和DMP的GMM方法用于国会分。(3)教学有效地跟踪轨迹下不确定的干扰,增强神经网络预测跟踪控制方案。此外,一些示威活动进行说明发达结构。

这篇文章的结构如下所述:部分2描述了人类控制的概述。一些示威活动中讨论部分3。最后,总结了结论和未来点部分4。

2。方法

2.1。人类活动识别使用Kinect传感器

人类活动识别技术可以应用于跟踪操作员使用Kinect设备的位置。如图1在Kinect,操作员选择深度信息传感器,收集和色觉的Kinect深度图像(25]。有效地构造运动信息,结合彩色图像和深度图像的原点位于中心的深度相机。因此,我们假设摄像机空间的协调系统遵循右手公约(26]。

在这种情况下, 代表了三个坐标序列的帧,我们定义 和 深度图像点和彩色图像,分别。然后,我们可以获得贝叶斯规则评估的概率 : 在哪里和表示肤色的运动数据集和先验概率,分别。

的遮挡或缺乏联合信息在某个阶段,我们需要整合其他功能可以提供数据关于人类的形状,以提升分类器的精度(6,27]。我们采用正交笛卡尔平面地图上的深度获取积极的一面形象和概要文件。然后,通过笛卡尔坐标转换到极坐标系下,一个人的轮廓可以有效地处理: 在哪里 和 代表人体的轮廓的坐标和极坐标半径和角度,分别。除此之外, 是人类外形的中心坐标。每个活动的整体秩序与前面和侧面视图是平均,平均从最初的最后帧定义如下:

2.2。通过DMP与GMM的轨迹生成

Kinect设备教学路径信息收集后由人类演示中,移动机器人需要学习创建的轨迹(28]。教学轨迹是由动态运动基本技术(DMP),然后重建的高斯混合模型(GMM)推广运动轨迹: 在哪里先验概率, 条件概率分布,高斯分布,然后呢是高斯模型的数量分布。

因此,通过使用高斯混合模型,整个教学数据集可以表示如下: 在哪里GMR的维数,确定吗 。

高斯分布可以得到解决 在哪里 和 。

因此,平均和方差GMR的数量高斯组件可以被评估 在哪里估计变量和吗相应的空间参数。 是广义点,产生一个平滑的运动轨迹下协方差约束 。

GMM模型,包括多维概率密度函数,由多个高斯概率密度函数。高斯模型只有两个参数相关,均值和方差。我们都知道,不同的学习机制可以直接影响精度,模型的收敛和稳定。假设一个 - - - - - -订单GMM加权和总结高斯概率密度函数: 在哪里表示维随机向量和是代表的顺序模型,代表每个高斯组件的重量,令人满意 。此外,是每个高斯组件,它是一个高斯概率密度函数的维度和可以表示如下: 在哪里是代表向量和意味着什么协方差矩阵表示。然后,GMM的三个参数可以表示的意思是向量,协方差矩阵和混合重量。因此,GMM可以被描述为

2.3。神经近似

为了有效地转移轨迹由人类示范教学,有必要控制不确定扰动在移动机器人的轨迹跟踪过程29日- - - - - -31日]。在摩托车操作[克服隐藏的安全隐患32- - - - - -34),一个基于时滞是大小控制方案实现对老年人沃克系统。这个方案具有一定的干扰和未知的动态特性。设计一个常数光滑函数 连接近似能力,时滞控制方案适用于大小评估不确定性的动力学,结构(如负载摩擦和机制35- - - - - -37]: 在哪里 代表的输入 ; 和分别激活函数根据高斯函数;和 代表了隐层的重量: 在哪里 , ,和是方差。

然后,可以被定义为 在哪里是一个积极的常数。

然后,我们有 在哪里所需的重量受到吗 和 。

因此,我们有 在哪里表示激活函数根据高斯函数。

2.4。Neural-Based模型预测跟踪控制

Kinect传感器收集的人类运动点,然后生成的轨迹可以获得DMP和GMM方法18,38,39]。最后,移动机器人的下一个任务是要遵循教学轨道(40]。

图2展品移动医疗服务机器人的运动学模型, 和 表示后面的轴和前轴的坐标,分别。是圆的中心,表示转向半径。和代表车轮轨迹。和分别表示后面的速度和前速度。和分别表示转向角和偏航角。

移动滚轮系统的轨迹跟踪控制可以表示为 在哪里 系统状态和吗 是控件状态。

因此,移动机器人的动态模型可以得到解决 在哪里 , , ,和是左前的车轮力,对前面,左后方,分别和右前面。表示中心偏航速度代表了转动惯量。

此外,我们假设以下条件评估机器人轮胎的侧向力(14]: 在哪里和是轮胎转弯角度。和表示过弯刚度和是偏离角。

跟踪误差可以得到解决

然后,我们离散化误差函数 受到 和是采样时间。

为了可靠地和顺利掌握所需的轨迹,状态错误和控制参数必须限制: 在哪里和权重因素,是预测地平线,控制层。然后,实际的控制变量可以确定

这是由于考虑到安全和稳定的机器人41,42),它是必要的限制控制限制和控制增量。结合移动机器人系统,控制约束可以提出如下:

基于整体控制方案,跟踪控制神经近似的框架使用DMP GMM如图3。Kinect传感器检测人体运动轨迹点,然后生成教学使用GMM的DMP技术。然后,neural-based模型预测跟踪控制器实现路径跟踪。

3所示。结果和讨论

在本节中,医疗房间的场景概述运输病人的膳食是呈现在图4。有两个Kinect传感器(XBOX 360)在这个演示使用。外科医疗机器人(LWR4 +,库卡,德国)是用来给病人喂饭,那里的触觉机械手(σ7、力维、瑞士)是用于远程控制库卡的手臂。这个演示的主要目的是开发移动医疗服务机器人可以安全地运输食物或药物医疗床像人类没有冲突。

Kinect传感器可以检测到人类活动分和生成教学轨迹基于DMP和GMM的方法。然后,移动机器人可以通过人类遵循教学轨迹演示。学习方法的结果,包括DMP, GMM,和教学的回归结果轨迹,显示在数据中5和6。它指出,有两种示威活动被认为是在这一节中,旨在评估拟议的框架移动医疗服务机器人技术转移通过教学演示。

图7展品教学示范1的结果x-安置,y-安置,x错误,y错误,机器人跟踪速度、横摇角、螺旋角和跟踪性能。它可以得出的结论是,移动医疗服务机器人可以按照教学Kinect传感器收集的轨迹。的y-安置误差和坐标误差可以限制在一个合理的范围内米,表明移动机器人可以避免医疗器械和外科医生。另一方面,由于neural-based预测跟踪控制器,速度响应的不确定性扰动下的移动机器人是光滑的。特别是,滚动角和螺距角可以维护一个稳定的范围内。

此外,为了进一步说明技术转移方案的改进使用多传感器融合技术,示范2避免障碍,如医疗设备和医疗人员。图8显示教学表现x-安置,y-安置,x错误,y错误,机器人跟踪速度、横摇角、螺旋角和跟踪性能。的跟踪性能x-安置和y-安置,移动医疗服务机器人可以有效地遵循教学轨迹和避免障碍。的x-安置误差和y-安置误差也可以保持在一个较高的准确性,在米x-安置和米y-安置。同时,neural-based预测控制器可以限制移动机器人的身体,和螺旋角和横摇角度,度,分别。

4所示。结论

摘要小说类人控制框架实现控制使用Kinect的移动服务机器人传感器和DMP GMM。它旨在消除人类活动识别技术和协助移动医疗服务机器人,让机器人与医务人员合作。Kinect传感器是用来检测人类活动产生的一组运动点,然后是教学方法包括动态运动基元与高斯混合模型可以生成所需的轨迹。达到稳定的跟踪、基于神经网络的模型预测跟踪控制方案实现遵循教学轨迹。最后,一些示威活动在医疗空间进行验证开发框架的有效性和优越性。

人机协同控制基于物联网(物联网)是未来的研究方向。在我们持续工作(43),我们已经成功地利用物联网技术,利用人机交互的最佳动作手术KUKA机器人。而不是利用兼容的旋转运动,HTC万岁PRO控制器,作为物联网技术,采用碰撞检测,和一个虚拟的力量应用于机器人的手肘,使人机交互的顺利旋转。未来的工作中,结合物联网技术和多传感器,智能医疗空间的概念,将被视为加强机器人合作。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是国家重点支持的研究和发展项目的中国2019年格兰特yfc1511401和中国国家自然科学基金会拨款61103157。