[摘要]近日，麻省理工學(xué)院計算機科學(xué)與人工智能實驗室(CSAIL)的研究團隊利用肌肉傳感器和運動檢測算法，開發(fā)出一個“行為控制機器人”系統(tǒng)，能通過肌肉收緊來遠程遙控?zé)o人機。近日，麻省理工學(xué)院計算機科學(xué)與人工智能實驗室(CSAIL)的研究團隊利用肌肉傳感器和運動檢測算法，開發(fā)出一個“行為控制機器人”系統(tǒng)，能通過肌肉收緊來遠程遙控?zé)o人機。目前，搭載這個系統(tǒng)的無人機能夠?qū)?種手勢做出反應(yīng)，反應(yīng)正確率達到81.6%。利用機器人完成工作可以解放人類的生產(chǎn)力。要達到這一目的，需要機器人和人之間達到較高的配合度。此前的研究從語音識別、自然語言處理、計算機視覺、觸覺、手勢等角度進行了探索。結(jié)果顯示，語音、觸屏控制不夠靈敏，已有的傳感器系統(tǒng)也比較笨重。麻省理工學(xué)院的研究人員認為讓機器人理解人類的非語言指令可以解決這些問題。據(jù)此，他們研發(fā)出一款端到端手勢控制系統(tǒng)。這個系統(tǒng)用肌電信號傳感器接收用戶手勢，用算法判斷指令內(nèi)容，不需要進行繁瑣的數(shù)據(jù)訓(xùn)練或校準，配套傳感器的尺寸也比較小。這項研究已經(jīng)入選2020年人機交互國際會議(ACM/IEEE HRI)，這是人機交互領(lǐng)域最重要的會議之一。論文發(fā)表在計算機學(xué)術(shù)網(wǎng)站ACM Digital Library上，論文題目為《使用肌肉和動作傳感器實現(xiàn)即插即用手勢控制(Plug-and-Play Gesture Control Using Muscle and Motion Sensors)》。論文鏈接：https://dl.acm.org/doi/10.1145/3319502.337482301用傳感器捕捉肌電信號，設(shè)備更輕巧肌電信號與人體的運動意圖相關(guān)。根據(jù)之前的研究，肌電信號和相關(guān)肌肉動力學(xué)之間的建?？杀挥糜谔嵘夤趋馈⒓僦容o助機器人的性能。本項研究中，研究人員嘗試利用肌電信號傳感器(也稱肌電圖傳感器，EMG)，將人類手部運動時的肌電信號傳輸給機器人。用表面肌電電極從參與者的右上臂提取肌電信號，在肱二頭肌短頭和肱三頭肌長頭上放置24mm預(yù)涂導(dǎo)電膠的Covidien電極。前臂上的裝置包括肌電圖電極和一個慣性測量設(shè)備(IMU，由一個加速度計和一個陀螺儀組成)。可穿戴式肌電信號傳感器會差異化增強收集到的每對肌電信號。數(shù)據(jù)收集系統(tǒng)以1KHz的頻率對肌電信號進行采樣，并通過USB把它們傳輸?shù)娇梢暬抡婀ぞ逽imulink R2018b?！鴤鞲衅鞑蹲郊‰娦盘柕倪^程論文指出，使用肌電信號傳感器有幾個好處：首先，降低了模型的復(fù)雜性。不需要照相機等動作捕捉設(shè)備，設(shè)備更輕巧;其次，排除了遮擋、環(huán)境噪音等因素的干擾;另外，肌肉信號能夠反映出肉眼觀測不到的運動狀態(tài)(比如關(guān)節(jié)僵硬)，有助于提升人機交互系統(tǒng)的靈活性。▲“行為控制機器人(Conduct-a-Bot)”系統(tǒng)02用算法理解手勢含義，實現(xiàn)即插即用根據(jù)論文，讓機器人理解手勢指令有兩個好處。首先，相比于連續(xù)運動，手勢有助于增加系統(tǒng)的穩(wěn)健性;其次，這種設(shè)計可以減少需要的電極數(shù)目，降低了模型的復(fù)雜性，增加了可部署性。研究人員共設(shè)計了8種手勢，分別是：手臂僵直、轉(zhuǎn)動(分為順時針轉(zhuǎn)動和逆時針轉(zhuǎn)動)、握拳(分為左手、右手、向上、向下)、手腕彎曲和伸展。對于大多數(shù)手勢引起的肌電信號，研究人員使用自適應(yīng)在線聚類算法(Online clustering for adaptive thresholding)幫助機器人理解。最初，所有的觀察結(jié)果都儲存在未知緩沖區(qū)。幾秒鐘后，高斯混合模型(GMMs，Gaussian Mixture Models)會對數(shù)據(jù)流分類，并將其添加到相應(yīng)的滾動緩沖區(qū)中。相比于離線訓(xùn)練方法，自適應(yīng)在線聚類算法不儲存所有的歷史數(shù)據(jù)，不需要大量的校準、訓(xùn)練過程，可以做到即插即用。高斯混合模型(GMMs，Gaussian Mixture Models)會持續(xù)更新，聚類數(shù)據(jù)流并創(chuàng)建自適應(yīng)閾值。這樣，系統(tǒng)就可以適應(yīng)不同用戶的使用習(xí)慣。對于那些很難用自適應(yīng)閾值來描述的手勢(在上、下、左、右四個方向上的握拳動作)，研究人員用一個神經(jīng)網(wǎng)絡(luò)來幫助系統(tǒng)理解。這個神經(jīng)網(wǎng)絡(luò)用過去收集的一些受試者數(shù)據(jù)進行訓(xùn)練。通過這兩種方法，最終每個集群的訓(xùn)練池中都包含至少25%的手勢。使用固定的覆蓋率有助于保持原有的手勢分類。03測試1200次，分類器識別準確率達97.6%在測試階段，研究人員按照這樣的順序給出指令：轉(zhuǎn)動，手臂僵直，向上、下、右握拳，向左握拳。分類器優(yōu)先按照最近0.2s內(nèi)檢測到的手勢做出反應(yīng)，其次按照根據(jù)肌電信號預(yù)測到的運動意圖做出反應(yīng)。研究人員安排6名參與者做出1200次命令手勢，以此評估分類器的性能和界面效率。根據(jù)統(tǒng)計結(jié)果，分類器對手勢動作的識別準確率達到97.6%?！诸惼鞣诸悳蚀_率根據(jù)肌電信號預(yù)測運動意圖方面，分類器對于向上握拳的預(yù)測準確率最高，達到100%;對向左握拳的預(yù)測準確率最低，為80%?！诸惼黝A(yù)測準確率另外，研究人員把這個系統(tǒng)應(yīng)用于一個Parrot Bebop 2無人機。該無人機尺寸大約為35*43cm，重500g。在119分鐘的飛行時間中，測試人員隨機做出1535個命令手勢，無人機在81.6%的情況下做出了正確反應(yīng)。04結(jié)語：未來機器人或能識別更多手勢麻省理工學(xué)院計算機科學(xué)與人工智能實驗室的研究團隊設(shè)計出的“行為控制機器人”系統(tǒng)有效提升了人機交互的效率。論文中寫道：“(我們)提出的方法在改善真實場景中的人機協(xié)作方面邁出了一步。這種協(xié)作越來越普及，會帶來更多效益?！毖芯咳藛T表示將繼續(xù)研究，致力于使機器人理解更多手勢，并嘗試提升傳感器性能，捕捉到更精細的肌電活動。