Human-Robot Shared Control for Humanized End-Effector Teleoperation
作者: Batool Ibrahim, Imad H. Elhajj, Daniel Asmar, Rawan El Hakim
分类: eess.SY
发布日期: 2026-06-23
💡 一句话要点
提出实时框架以改善人机协作的末端执行器遥操作
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 人机交互 遥操作 拟人化 机器人技术 运动轨迹 流畅性提升 控制系统
📋 核心要点
- 现有的遥操作方法在用户控制的运动上常常偏离人类的运动特征，导致任务表现不佳。
- 本文提出了一种基于三分之二幂法则的实时框架，生成更符合人类运动特征的轨迹，同时保留用户的控制意图。
- 实验结果显示，所提方法在运动特征上比传统遥操作更接近人类运动，运动平滑度提高约34%。
📝 摘要（中文）
近年来，机器人技术的进步使得机器人能够在共享的人类环境中操作，强调了有效的人机交互的重要性。研究表明，拟人化特征的引入能够促进更自然的交互并提升任务表现和用户体验。然而，在机器人臂的遥操作中，用户控制的运动往往由于遥操作系统的固有限制而偏离人类的运动特征。本文提出了一种实时框架，基于人类手部运动的三分之二幂法则生成拟人化的末端执行器轨迹，同时保留操作者的控制输入。通过在6自由度Dobot CR10机器人臂上进行的实验证明，该方法生成的轨迹在运动特征上显著更接近人类运动，运动平滑度提高约34%。
🔬 方法详解
问题定义：本文旨在解决遥操作系统中用户控制运动偏离人类运动特征的问题。现有方法无法有效模拟人类的运动模式，导致任务执行效率低下。
核心思路：提出了一种实时生成拟人化末端执行器轨迹的框架，基于人类手部运动的三分之二幂法则，旨在提升人机交互的自然性和任务表现。
技术框架：该框架包括数据采集、轨迹生成和控制输入保留三个主要模块。首先，通过传感器采集用户的控制输入，然后利用幂法则生成拟人化轨迹，最后将生成的轨迹与用户输入结合，进行控制。
关键创新：最重要的创新在于通过三分之二幂法则生成更符合人类运动特征的轨迹，显著提升了运动的自然性和流畅性，与传统遥操作方法相比，提供了更优的用户体验。
关键设计：在设计中，采用了基于运动平滑度的损失函数，优化了轨迹生成过程中的参数设置，确保生成的轨迹在保持用户控制意图的同时，尽可能接近人类的运动模式。具体的网络结构和参数设置在实验中进行了详细验证。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提方法生成的轨迹在运动特征上比传统遥操作更接近人类运动，估计的β系数平均接近理论值1/3达39.7%。此外，运动平滑度提高约34%，80%的评估运动模式显示出统计显著的改善，同时任务完成时间保持相当。
🎯 应用场景
该研究的潜在应用领域包括医疗机器人、服务机器人和工业自动化等场景。通过改善人机协作的自然性和流畅性，可以提升用户的操作体验和任务完成效率，未来可能在智能制造和人机协作领域产生深远影响。
📄 摘要（原文）
Recent advances in robotics have enabled robots to operate in shared human environments, emphasizing the importance of effective human robot interaction HRI. Prior studies indicate that anthropomorphism, defined as the incorporation of human like features into robotic systems, facilitates more natural interaction and enhances both task performance and user experience. In robotic arm teleoperation, however, user controlled motions often deviate from human like kinematic characteristics due to intrinsic limitations of teleoperation systems. In this work, we propose a real time framework that generates human like end effector trajectories based on the two thirds power law of voluntary human hand movements, while preserving the operators intended control inputs. The proposed approach is validated through real world experiments conducted on a 6 degree of freedom Dobot CR10 robotic arm. Quantitative analysis demonstrates that the generated trajectories exhibit significantly stronger adherence to human like kinematic profiles compared to conventional teleoperation, with the estimated beta coefficient moving 39.7% closer on average to the theoretical value of 1/3. Furthermore, the method achieves an approximate 34% improvement in motion smoothness, measured by RMS torque rate reduction, with 80% of evaluated motion patterns showing statistically significant improvements while maintaining comparable task completion times.