Aprender manipulación con fuerza sigue siendo un desafío clave en robótica. Este trabajo presenta ForceBand, una pulsera sEMG portátil y de bajo costo que estima las fuerzas en las yemas de los dedos a partir de la actividad muscular, combinada con un enfoque de aprendizaje de políticas consciente de la fuerza que permite a los robots ejecutar tareas de contacto intensivo prediciendo trayectorias de movimiento y fuerza a partir de demostraciones humanas.
Diseño del Sensor de Fuerza Portátil
La banda sEMG está diseñada para capturar con precisión la actividad muscular de la muñeca relevante para el control fino de los dedos. El diseño equilibra precisión de detección, bajo costo y reproducibilidad, apuntando a dos objetivos específicos.
Accesibilidad: Bajo Costo y Fabricación Sencilla. El hardware de ForceBand se mantiene de bajo costo y fácil de reproducir al depender de componentes comerciales y flujos de trabajo de prototipado estándar. La estructura mecánica se puede fabricar con herramientas comunes como una impresora 3D comercial, mientras que la electrónica es modular y se obtiene de partes fácilmente disponibles. El costo total puede ser tan bajo como $300 dependiendo del proveedor. La lista completa de materiales es de código abierto.
Rendimiento: Consciente de la Músculatura y Alta Precisión. La banda recopila datos de alta calidad combinando una colocación de electrodos consciente de la musculatura con un diseño bipolar. Este rendimiento está respaldado por tres decisiones de hardware: adquisición de biopotencial de bajo ruido, detección diferencial bipolar y colocación de electrodos guiada anatómicamente.
Diseño de la Pulsera sEMG Consciente de la Músculatura
El diseño del módulo sEMG está optimizado para registrar potenciales eléctricos sutiles en la muñeca mediante tres decisiones de diseño: un chip de medición de biopotencial médico de alta calidad, un diseño de electrodo bipolar y colocación de electrodos consciente de la musculatura.
Aprendizaje de Políticas Consciente de la Fuerza a partir de Demostraciones Humanas
Para convertir demostraciones humanas enriquecidas con fuerza en políticas ejecutables por robots, el enfoque extiende una política de transformer de flujo matching de manera que la fuerza ingrese como un canal adicional tanto en el lado de observación como en el de acción. El pipeline toma video humano sincronizado y fuerzas estimadas en las yemas de los dedos como entrada, reorienta el movimiento de la mano humana a un robot y entrena una política de flujo matching para predecir tanto las trayectorias de movimiento como de fuerza. Esto permite que el robot aprenda no solo dónde moverse, sino también cuánta fuerza aplicar durante la manipulación de contacto intensivo.
Ablación en la Colocación de Electrodos
Para las configuraciones de 1, 2 y 4 canales, se utiliza el conjunto de datos publicado con los canales no utilizados enmascarados. Para comparar la colocación uniforme con el diseño consciente de la musculatura, se recopilaron dos conjuntos de datos separados de 30 minutos, uno para cada colocación. Ambos usan el mismo protocolo: 10 objetos, agarres de 2, 3 y 5 dedos, repetidos 5 veces por objeto.
Aumentar el número de canales reduce consistentemente el error de predicción de fuerza. Bajo el protocolo de 30 minutos igualado, la colocación consciente de la musculatura mejora aún más en un 18% en comparación con el diseño de 8 canales espaciados uniformemente. Estos resultados muestran que la colocación guiada anatómicamente proporciona señales EMG más informativas que la cobertura uniforme de la muñeca.
Nota: Las sub-tablas izquierda y derecha no deben compararse directamente ya que utilizan datos diferentes.
Limitaciones y Discusión
Precisión absoluta de la fuerza. La predicción de fuerza a partir de sEMG no es tan precisa como la detección directa de fuerza, pero su precisión actual es suficiente para muchas tareas de manipulación con fuerza. El conocimiento previo de fuerza aprendido a partir de datos humanos ayuda a la política a entender cuándo y con qué intensidad aplicar fuerza, y los errores residuales pueden reducirse aún más con datos de interacción robótica limitados o aprendizaje por refuerzo utilizando la propia retroalimentación de fuerza del robot.
Generalización entre usuarios. Las señales musculares varían entre usuarios, por lo que el pipeline actual involucra a 4 usuarios y aplica calibración por usuario. Esta limitación podría mitigarse escalando la recopilación de datos: conjuntos de datos sEMG a gran escala han mostrado una fuerte generalización entre usuarios, y los controladores sEMG de muñeca relacionados ahora funcionan entre usuarios sin calibración. Se espera que conjuntos de datos EMG2Force más grandes reduzcan o eliminen la necesidad de calibración específica por usuario.
La calibración aún requiere sensores de fuerza en las yemas de los dedos. La calibración actualmente depende de sensores de fuerza en las yemas de los dedos para obtener la verdad fundamental, por lo que la configuración aún no es completamente libre de sensores. Este requisito podría reducirse escalando EMG2Force a una población de usuarios más grande y diversa, o desarrollando un protocolo de calibración sin sensores basado en interacciones de agarre estandarizadas con objetos o dispositivos calibrados.
Preguntas Frecuentes
¿Qué hace que el diseño de ForceBand sea diferente de las pulseras sEMG existentes? ForceBand utiliza una colocación de electrodos consciente de la musculatura basada en la anatomía de la muñeca, combinada con un diseño de detección diferencial bipolar, logrando un 18% menos de error en la predicción de fuerza en comparación con diseños de electrodos espaciados uniformemente.
¿Cómo aprende el robot la manipulación basada en fuerza a partir de demostraciones humanas? Se graban simultáneamente el video humano y las fuerzas estimadas en las yemas de los dedos, luego se entrena una política de transformer de flujo matching para predecir tanto las trayectorias de movimiento como de fuerza, permitiendo que el robot aprenda tareas de contacto intensivo con la aplicación de fuerza adecuada.
¿Cuáles son las principales limitaciones de usar sEMG para la predicción de fuerza en robótica? La precisión absoluta de la fuerza es menor que la detección directa de fuerza, la generalización entre usuarios requiere calibración por usuario, y el proceso de calibración aún depende de sensores de fuerza en las yemas de los dedos para los datos de verdad fundamental.
¿Puede ForceBand funcionar sin calibración por usuario? Aún no con el conjunto de datos actual, pero los autores esperan que conjuntos de datos EMG2Force más grandes puedan reducir o eliminar la necesidad de calibración específica por usuario, como se ha visto en controladores sEMG de muñeca comerciales relacionados.