EMG based interfaces for human robot interaction in structured and dynamic environments

Abstract

In this PhD thesis we focus on EMG based interfaces that can be efficiently used for Human Robot Interaction (HRI) applications in structured and dynamic environments. Initially, we present a series of advanced learning schemes for EMG based interfaces that take advantage of both a classifier and a regressor, in order to split the task-space and provide better human motion estimation accuracy with task specific models.Regarding HRI applications, we mainly focus on anthropomorphism of robot artifacts. At first we distinguish between the different notions of anthropomorphism and we introduce Functional Anthropomorphism for mapping human to anthropomorphic robot motion, respecting at the same time specific human imposed functional constraints. Then we propose a methodology for quantifying anthropomorphism of robot hands, based on set theory and computational geometry methods. This latter methodology concludes to a comprehensive score of anthropomorphism that ranges between 0 (non-humanlike) and 1 (human identical) and can be used for various robot artifacts.Subsequently, we develop a series of open-source, modular, intrinsically-compliant, low-cost, light-weight, underactuated robot hands that can be easily reproduced with off-the-self materials. The proposed hands, efficiently grasp a plethora of everyday life objects, under object pose and/or shape uncertainties and can be used for various HRI applications or even as affordable myoelectric prostheses.In order to prove the efficiency of the proposed methods, we have conducted numerous experiments involving different robot artifacts, operating in both structured and dynamic environments.

Σε αυτή την διδακτορική διατριβή επικεντρωνόμαστε σε διεπαφές ηλεκτρομυογραφικών σημάτων οι οποίες μπορούν να χρησιμοποιηθούν για εφαρμογές αλληλεπίδρασης ανθρώπου ρομποτικών συστημάτων, τόσο σε δομημένα όσο και σε δυναμικά περιβάλλοντα.Αρχικά παρουσιάζουμε μια σειρά από προηγμένα σχήματα μηχανικής μάθησης για διεπαφές ηλεκτρομυογραφικών σημάτων, τα οποία συνδυάζουν έναν ταξινομητή με έναν παλινδρομητή, προκειμένου να κατακερματίσουν τον χώρο δράσης του ρομπότ, προσφέροντας καλύτερα αποτελέσματα αποκωδικοποίησης της ανθρώπινης κίνησης με μοντέλα εκπαιδευμένα για συγκεκριμένες διεργασίες.Όσον αφορά τις εφαρμογές αλληλεπίδρασης ανθρώπου ρομπότ, επικεντρωνόμαστε κυρίως στη έννοια και τις διαφορετικές χρήσεις του ανθρωπομορφισμού των ρομποτικών συστημάτων. Αρχικά διακρίνουμε τις διαφορετικές έννοιες του ανθρωπομορφισμού και εισάγουμε την έννοια του λειτουργικού ανθρωπομορφισμού για σχήματα αντιστοίχησης της ανθρώπινης κίνησης σε ανθρωπομορφική ρομποτική κίνηση, τηρώντας παράλληλα συγκεκριμένους περιορισμούς που θέτει ο χρήστης. Στην συνέχεια προτείνουμε μια ολοκληρωμένη μεθοδολογία για την ποσοτικοποίηση του ανθρωπομορφισμού των ρομποτικών χεριών, βασισμένη σε μεθόδους θεωρίας συνόλων και υπολογιστικής γεωμετρίας. Η συγκεκριμένη μεθοδολογία παρέχει ένα κατανοητό μετρικό του ανθρωπομορφισμού το οποίο κυμαίνεται από 0 (μη-ανθρωπομορφικά ρομποτικά συστήματα) σε 1 (ανθρωπομορφικά ρομποτικά συστήματα) και μπορεί να χρησιμοποιηθεί για διαφορετικά είδη ρομπότ.Τέλος, αναπτύσσουμε μια σειρά από ρομποτικά χέρια, ανοιχτού υλικού και κώδικα, τα οποία είναι ελαφριά, χαμηλού κόστους, εύκολα συναρμολογούμενα, υποϋπενεργούμενα και εγγενώς υποχωρητικά.Τα συγκεκριμένα χέρια μπορούν να χρησιμοποιηθούν τόσο για μελέτες ηλεκτρομυογραφικού ελέγχου (ακόμη και για οικονομικά μυοηλεκτρικά προσθετικά χέρια), όσο και για εφαρμογές αλληλεπίδρασης ανθρώπου ρομποτικών συστημάτων (για μελέτες τηλεχειρισμού ρομποτικών συστημάτων βραχίονα – χεριού), για την αρπαγή πληθώρας καθημερινών αντικειμένων σε δυναμικά περιβάλλοντα (ακόμη και υπό συνθήκες αβεβαιότητας σχετικά με τη θέση και το σχήμα των αντικειμένων).Προκειμένου να αποδείξουμε την αποδοτικότητα και λειτουργικότητα των προτεινόμενων μεθοδολογιών, εκτελέσαμε σειρά πειραμάτων με διαφορετικά ρομποτικά συστήματα, τόσο σε δυναμικά όσο και σε δομημένα περιβάλλοντα.