1、論文背景 
機器人可以為殘疾人或老年人的日常生活提供J大幫助，比如說機器人輔助穿衣。然而穿衣過程中，用戶上肢的突然動作可能導致穿衣任務的失敗，甚至為用戶帶來危險。使用視覺傳感器實時追蹤用戶上肢運動（user posture tracking）非常困難，因為衣服和機器人都對用戶造成了遮擋。例如，使用開源骨骼追蹤框架（OpenNI Skeleton Tracker [1]）和深度學習方法OpenPose [2]，均無法實施準確的追蹤用戶上肢運動。

為了解決上述問題，我們提出了一種多傳感器信息融合的人體骨骼實時追蹤方法。本文研究主要包括以下三點：D一，我們通過G斯隱變量模型（Gaussian Process Latent VariableModel，GP-LVM），將運動上肢的G維運動映射至低維度的隱變量空間中（latent space）。該空間可以針對不同用戶的不同上肢殘疾特點，建立個性化用戶輔助模型（personalized user model）。D二，我們在隱變量空間中使用貝葉斯網絡（Bayesian networks），該網絡融合了機器人和用戶之間力的信息，以及機器人末端位置信息，進而實時追蹤人體上肢運動。第三，我們使用層級多任務控制（hierarchical multi-task control)，使機器人既可以基于力的信息自動改變運動軌跡從而保證用戶安全，又可以完成穿衣任務。

圖1 Baxter機器人輔助殘疾人穿衣

2、系統(tǒng)概述
如圖2所示，我們要求健康用戶穿著繃帶來模擬上肢殘疾情況。我們將采集用戶上肢隨機運動的數據，將其映射至二維隱變量空間中建立個性化用戶模型。在該二維空間中，我們采用基于概率的粒子濾波方法（particle filter），完成多傳感器信息融合（機器人與用戶間力的信息，機器人末端執(zhí)行器位置信息），從而實現(xiàn)用戶上肢運動的實時準確追蹤。在我們之前的研究中 [3], 我們將機器人穿衣動作描述為兩個層級任務：G層級任務即機器人根據力的信息調整運動軌跡，從而實時減小用戶的受力情況，確保用戶的舒適與安全；低層級任務即通過PD控制完成從瘦-肘-肩關鍵的穿衣軌跡，該軌跡由本文的用戶上肢追蹤方法實時更新。


圖2 系統(tǒng)概括圖

圖3展示了完整的穿衣過程。當用戶在穿衣過程抬起胳膊時，機器人也相應改變軌跡來減少受力情況，并實時運行至新的肘關節(jié)和肩關節(jié)位置。

圖3 機器人穿衣過程

圖4 展示了在低維隱變量空間內粒子濾波的過程。我們根據力和位置的信息為每個粒子賦予新權重，從而循環(huán)更新。圖中顏色越淺代表權重越G。

圖4 低維隱變量空間內粒子濾波

3、實驗分析
本文首先對隱變量空間個性化用戶模型進行分析，如圖5所示。該模型有一下3個特點：D一，該模型可以描述不同用戶的不同上肢殘疾特點。圖5里面不同顏色即代表不同殘疾情況的運動空間；D二點，低維空間J大減小了粒子濾波的計算量；第三點，該個性化模型權衡了用戶殘疾上肢運動的可達性 (reachability) 和用戶偏好（preference）。

本文還進行了一些列對比試驗，其中包括了與只用視覺方法追蹤的誤差比較，如圖6所示。本文所提出的方法產生了3.3cm的誤差，是視覺追蹤誤差的六分之一。

本文在20名用戶上完成了相關實驗測試。每個用戶進行50次試驗并模擬不同的殘疾類型，如圖7所示。

4、分析與結論 
本文提出了一種利用多傳感器信息在低維隱變量空間中實時追蹤用戶運動的方法。該方法為在物理人機交互（physical human-robot interaction）中，當人體運動被嚴重遮擋而無法用單一視覺信息完成追蹤的問題，提供了一種解決方案。

參考文獻：
[1] http://wiki.ros.org/openni_tracker
[2] Cao, Zhe, et al. "Realtimemulti-person 2d pose estimation using part affinity fields." Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition. 2017                         
[3] Zhang, Fan, Antoine Cully, andYiannis Demiris. "Personalized robot-assisted dressing using user modelingin latent spaces." 2017 IEEE/RSJ International Conference on IntelligentRobots and Systems (IROS). IEEE, 2017.