Abstract
In this paper we propose a framework of realtime whole-body human motion imitation for humanoid robots. The approach starts with a kinematic mapping in combination with a balancing algorithm in order to ensure the dynamic constraints during different stance phases. In order to compensate for time delays in the imitation, which emerge from the required weight transfer before stance changes, we apply a machine learning approach based on Hidden Markov Models and Gaussian Regression. Once locomotion primitives are learned from demonstrations, the robot can recognize human´s current locomotion state and predict future trajectories. The proposed approaches are implemented and evaluated using a small humanoid robot NAO.
Zusammenfassung
Im vorliegenden Beitrag stellen wir ein System für die Imitation menschlicher Gesamtkörperbewegungen durch einen humanoiden Roboter vor. Wir beginnen mit einer kinematischen Abbildung in Kombination mit einem Abgleich-Algorithmus, um die dynamische Stabilität während unterschiedlicher Standphasen sicherzustellen. Um Zeitverzögerungen zu minimieren, die durch erforderliche Gewichtsverlagerungen vor einer Haltungsänderung entstehen, wenden wir eine Methode des maschinellen Lernens an, die auf HMMs und Gauß-Regression beruht. Nachdem die Bewegungs-Primitive aus Demonstrationen gelernt wurden, kann der Roboter den aktuellen Bewegungszustand des Menschen erkennen und zukünftige Trajektorien vorhersagen. Die vorgeschlagenen Verfahren werden auf einem kleinen humanoiden NAO-Roboter implementiert und evaluiert.
© by Oldenbourg Wissenschaftsverlag, München, Germany
