人手抓取特性与机械手神经网络抓取策略.doc

人手抓取特性与机械手神经网络抓取策略陈辉 宋爱国 黄惟一 摘要分析了人手抓取的各种姿态,提出了3种基本的抓取姿态结构,并举例说明了人手的姿态可分解为3种基本姿态的组合. 基于人手的灵巧性,机械手的抓取可模仿人手的抓取特性,根据姿态、物体、任务之间的关系提出了神经网络规划的抓取方法,并设计了相应的神经网络. 关键词手; 抓取; 姿态; 虚拟手指; 神经网络分类号TP249Human Grasp Property and Robot Hand Grasp Tactics about Neural NetworksChen HuiSong AiguoHuang Weiyi(Department of Instrument Science and Technology, Southeast University, Nanjing 210096)Abstract:The human hand is very dexterous in the operation. According to demand of task, human can do many complex tasks using different posture. This paper analyses various of postures, puts forward three basic postures, and explains that human hand posture is made of three basic postures. Because of the dexterity of human hand, robot hand can imitate human hand. In the last, we design neural networks according to the relationship of posture, object and task.Key words:hand; grasp; posture; virtual finger; neural networks人手是非常灵巧的,根据任务要求,人手能完成各种各样的任务,既可进行有力量的抓取,如搬运重物,又可进行各种精细的工作,如机械零件装配等. 人手的5个手指中,每个手指都有几个关节,人手操作时通常有多达25个自由度1,因此操作比较灵活,利用5个手指的相互协调动作,可以完成复杂的任务. 由于人手的许多优点,机器人设计者往往模仿人手去设计机械手. 在人类学和医学文献中,有许多关于人手抓取姿态的分类. 这些分类方法分别是从某一种角度对姿态进行分类,没有将手、任务和物体结合起来考虑. Iberall和Lyons2根据手、物体和任务的关系提出了虚拟手指的概念,并定义了3种基本的抓取姿态,即掌抓取、指面抓取和指侧面抓取. 利用这3种抓取姿态,可以将人手的各种抓取姿态分解为这3种基本姿态的组合形式,下节将详细讨论. 在机械手进行抓取时,可以模仿人手的抓取特性,根据抓取对象和任务的要求进行判断,来选择合适的姿态. 根据这一指导思想,作者建立了神经网络模型,并根据人类的抓取特性对其进行训练,从而使机械手在抓取操作时,利用训练好的神经网络模型模仿人的判断进行抓取姿态决策,使其具有人的智能性. 1 人手抓取特性的分析1.1 人手的基本抓取姿态人手的抓取姿态千变万化,根据力的平衡原理,抓取物体时要使其稳定至少有2个相对的力作用于物体上,或者说物体上必然产生大小相等方向相反的力于手上.根据人手的结构特点以及物体的反作用力作用于手的部位情况,可分为如下3种基本姿态:1) 指面抓取(pad opposition). 这种抓取姿态中,被抓取物体位于拇指指面(称为虚拟手指1,用VF1表示)与其余一个或几个手指构成的指面(称为虚拟手指2,用VF2表示)之间,如图1(a)所示. 这种抓取姿态,手指只能施加较小的力于物体上,但手指可对物体进行微小运动的调节,因此,这种抓取姿态在操作中有较大的灵活性,但稳定性较差. 对于较轻、尺寸较小的物体,需要灵活操作时,采用这种抓取姿态. 如抓取一个小球时的情况就为这种抓取. 2) 掌抓取(palm opposition). 被抓取的物体位于手掌(虚拟手指1)和由几个手指(除拇指外)构成的指面(虚拟手指2)之间,如图1(b)所示. 这种抓取姿态,两虚拟手指能产生较大的力于物体上,而且由于两虚拟手指与物体的接触面较大,因此抓取的稳定性较好,但操作的灵活性较差,对于尺寸较大、移动距离较远的物体通常采用这种抓取姿态. 如抓取一个铁锤子时,铁锤的手柄位于手掌和四指之间,就属于这种情况的抓取. 3) 指侧面抓取(side opposition). 被抓取的物体位于拇指的指端面(虚拟手指1)和食指或其它手指的指侧面(虚拟手指2)之间,或其它手指指侧面之间,如图1(c)所示,这种抓取姿态,其抓取的稳定性和操作的灵活性位于前两者之间,根据任务的要求,如果既要一定的操作灵活性,又要求施加一定的力于物体上,可采取这种姿态. 如开门时,手抓取钥匙的姿态就属于这种情况,钥匙位于拇指的指端面与食指的侧面之间. (a) 指面抓取 (b) 掌抓取 (c) 指侧面抓取图1人手3种基本的抓取姿态人手的抓取姿态是多种多样的,有许多动作属于上面3种姿态之一,但有更多的抓取动作是由上面3种姿态中的2种或3种姿态组合而成. 因此,这种分类的意义就在于可以将人手的抓取姿态分解为这3种基本姿态的组合. 反过来,也可根据任务的要求、被抓取对象的特征由这3个基本抓取姿态组合构成可行的手势去完成各种抓取任务. 1.2各种抓取姿态的分析下面举例对日常生活中人手的姿态进行分析,参见表1. 表1中的第1栏即为人手姿态的描述,第2栏为将姿态分解为基本姿态和基本姿态的组合,第3栏为虚拟手指1对应的实际手指(或手掌),第4栏为虚拟手指2对应的实际手指情况. 表中P表示手掌(palm),T表示拇指(thumb),I表示食指(index finger),M表示中指(middle finger),R表示无名指(ring finger),L表示小拇指(little finger).对于握一重的铁球时手的姿态,铁球位于掌与手指之间,属于基本的掌抓取形式,手能施加较大的力于物体上,虚拟手指1为手掌,虚拟手指2由食指、中指、无名指和小拇指四个手指构成. 当手握一把大起子拧螺钉时,这种抓取既能有较大的力作用于物体上,又能有一定的操作灵活性,其手势是食指、中指、无名指和小拇指四个手指与手掌一起握住起子的手柄,并且大拇指也作用于手柄上,这种姿态可分解为掌抓取和指侧面抓取,大拇指和食指分别作为VF1和VF2构成指侧面抓取,手掌和食指、中指、无名指、小拇指的组合作为VF1和VF2构成掌抓取. 同样方法分析表1中的其它姿态情况可得到各种姿态的分解情况,其结论列于表1中. 类似上面的分析,许多人手抓取姿态都可用3种基本姿态或3种基本姿态的组合进行分析. 表1用3种基本抓取姿态对人手姿态的分析姿态描述姿态组成虚拟手指1虚拟手指2 手握一铁球掌抓取PIMRL 握一把大起子掌抓取和PIMRL指面抓取TI拿茶杯喝水指面抓取TIMRL, IMR, IM手握钢笔写字指面抓取和TIM, I指侧面抓取TM用钥匙开门指侧面抓取TI2机械手抓取策略2.1任务的分析前面分析人手抓取的基本特性,定义了3种基本的抓取姿态,分析了3种基本的抓取姿态与任务、被抓取对象的关系,并且举例说明了人手抓取姿态为3种基本抓取姿态之一或由它们的组合构成.在人手的抓取过程中,首先是根据任务的要求和被抓取物体的特征,经过大脑的加工、处理,然后决定采用合适的姿态去抓取物体,如图2所示.同样,在机械手抓取操作时,可模仿人的抓取过程,采用人工神经网络来代替人脑完成对信息的加工、处理.其过程如图3所示.图2人手抓取的过程图3模仿人手的机械手抓取过程在表2中列举了一些简单的抓取任务,同时列出了对任务的要求以及被抓取物体的尺寸. 根据对任务的要求和物体尺寸的分析,表中列出了可以采用的抓取姿态,以及虚拟手指2所对应的实际手指情况. 在任务1中,要求举一重的带柄的杯子,任务要求施加较大的力,对精确度的要求不高,而且物体的长度和宽度都比较大,最合适的姿态应该是采用掌抓取,并使用食指、中指、无名指和小拇指四个手指作为虚拟手指2,即用手掌和四指来握住杯子的柄. 第2个任务是移动一立放在桌上的圆柱体,圆柱体的高度比四指宽度要大,直径大小中等,任务要求的力较小(物体较轻),但操作精度要求高,因此可以采用指面抓取姿态,用食指和中指作为虚拟手指2,即用拇指与食指、中指拿起物体来完成任务. 任务3为拿一个较小的碟子,任务要求的力较小,因此可以采用指面抓取姿态,由于碟子较轻,可以只用食指作为虚拟手指2. 同样,可以对任务4到任务10进行分析,根据任务的要求和物体的几何特性,选取任务所适合的姿态,如表2中所示. 2.2神经网络模型的建立仿照人脑对抓取姿态的选择,对表2的抓取情况建立神经网络模型. 建立2个神经网络模型,一个模型用来决定采用何种的抓取姿态,另一个模型决定抓取姿态中虚拟手指所对应的实际手指情况. 采用反向传播的BP网络为网络模型,输入层的多少由物体的几何特性和任务要求决定,设被抓取物体的几何特性用长度和宽度来描述,任务的要求用精度和所需施加力的大小描述,因此输入层采用4个单元,2个神经网络的输出层分别用来输出基本姿态和VF2输出,因此只需一个单元,中间层我们选取4个单元,从后面的结果可看出其效果较好. 表2中的物体和任务的描述作为4个输入单元的输入信号,为说明问题方便起见,把物体的长度取为一指宽、二指宽、三指宽、四指宽几种情况,物体的宽度分为大、中、小三种情况,任务要求的力分为大、中、小三种情况,任务精度要求分为高、中等、不高三种情况. 对表中物体和任务的描述进行量化,我们采用这样的归一化处理:物体的长度或厚度大于等于四指宽的取值为1,约三指宽的取值为0.75,约两指宽的取值为0.5,小于等于一指宽的取值为0.25;物体的宽度较大的取值为1,中等的取值为0.5,较小的取值为0;任务要求的力较大的取值为1,中等的取值为0.5,较小的取值为0;任务精度要求较高的取值为1,中等的取值为0.5,不高的取值为0. 在确定采用何种抓取姿态的神经网络模型中,用1表示掌抓取姿态,0表示指面抓取姿态. 在确定VF2的神经网络模型中用1表示4个手指的情况,0.75表示3个手指的情况,0.5表示2个手指的情况,0.25表示1个手指的情况. 在进行神经网络训练时,学习率取为0.5,动量因子取为0.2,系统平均误差要求不大于0.000 1,运行编制的神经网络程序并利用表2中的事例进行训练,求得2个神经网络模型分别经过1 237和12 507次训练后,达到系统误差要求,求得各层间的权值如图4、图5所示.表2物体尺寸和任务精度与抓取姿态的关系任务名称任务要求和物体形状描述(输入)选择的姿态(输出) 物体的长度或厚度物体的宽度任务要求的力大小任务精度要求基本姿态选择VF2的组成1.举一重的带柄杯子大于四指宽大大不高掌抓取IMRL2.移动一小的圆柱体大于四指宽中等小高指面抓取IM3.拿起一个小碟子一指宽小小不高指面抓取I4.拿起一个中等的碟子一指宽中等小不高指面抓取I5.移动一中等的碟子一指宽中等小高指面抓取I6.摔掉一中等的碟子一指宽中等中等不高指面抓取I7.举一长的圆柱形钢体大于四指宽中等大不高掌抓取IMRL8.举一短的圆柱形钢体三指宽中等大不高掌抓取IMR9.移动一直径大的短的圆柱钢体二指宽大中等高指面抓取IM10.举一大玻璃杯大于四指宽大中等中等指面抓取IMR 图4选择姿态的神经网络模型 图5确定VF2的神经网络模型对于建立的神经网络模型,用表2以外的例子进行检验. 把1支铅笔从一处移到指定的地点,取输入为1,0,0,1,根据图4、图5的模型求得姿态输出为0.001,VF2输出为0.386,因此该任务可以采用指面抓取,1个或2个手指作为VF2,即采用拇指和食指或拇指、食指和中指来抓取完成任务要求,这与实际情况相符; 拎起一水瓶,取输入为1,1,1,0,根据神经网络模型求得姿态输出为0.976,VF2输出为0.975,因此该任务可以采用掌抓取,4个手指作为VF2,即可以用掌和四指握住水瓶来提起它. 3结束语本文分析了人手抓取姿态的基本特性,提出了3种基本的抓取姿态,并分析了任务和姿态的关系. 利用人手的抓取特性,建立了神经网络模型,并应用于机械手寻找合适的抓取姿态,这对实现机械手的智能化操作具有十分重要的意义. 文中建立的只是简单抓取情况下的神经网络模型,对于各种复杂任务的情况下神经网络模型的建立还有待于进一步的研究.国家高技术航天领域86327资助项目.作者单位：(