双腕ロボットによるボタンかけ動作の実現 Buttoning Task Generated by Dual Arm Robot
1W163107-5
藤井稚菜 指導教員 尾形 哲也 教授
FUJII Wakana Prof. OGATA Tetsuya
概要: 近年，高齢者の増加により，日常動作支援の需要が高まっている．支援の需要が高い動作として，着衣動作がある．介護士が不 足しているため，ロボットによる着衣動作支援が研究されているが，シャツのボタンかけ動作を支援するロボットは提案されていな い．本研究では，双腕ロボットによる実験用シャツのボタンかけ動作の実現に向けて，マーカーベースの動作生成手法と，深層学習を 用いた動作生成手法の2つのアプローチから取り組み，if-thenルールでサブタスクを遷移させた．その後，特に困難なサブタスクに 対し再帰型ニューラルネットワークを用いて，収集した画像情報と動作情報を学習させた．マーカーベースの動作生成では一連のボタ ンかけ動作が，学習手法ではシミュレータ環境での動作生成が確認できた．
キーワード: 着衣動作支援，双腕ロボット，ニューラルネットワーク
Keywords: Robot-assisted dressing，Dual Arm Robot，Neural Network
1
はじめに
高齢者の増加と，介護士不足の問題を抱える社会におい て，ロボットによる日常動作支援の必要性が高まってい る．ロボットによる着衣動作支援に注目すると，被支援者 が腕を上げた状態から，シャツの袖を腕に通す支援を自律 的に行うロボットアーム[1]と，被支援者が腕を伸ばした 状態から，Tシャツの袖を腕に通して，胴体に着用させる 支援を自律的に行う双腕ロボット[2]が提案されている．
本研究では，着衣動作の一部であるボタンかけ動作に注 目する．ボタンかけは，両手の手指の動作を複雑に組み合 わせる必要があり，加齢や病気によって手指の動作が不自 由な人間にとっては困難な動作[3]であるが，ロボットに よる動作支援は提案されていない．この理由として，柔軟 物と固形物を同時に扱う必要のある動作をロボットで行 うのが困難であること，あらゆるボタンの形状と位置およ び被支援者の体型に対応することが困難なことが考えら れる．
そこで本研究では，実験用に作成したシャツをトルソー に着せた状態から双腕ロボットでボタンかけ動作を実現す る方法と，タスク達成に特に影響する動作に関する学習方 法を提案する．マーカーベースの動作生成手法と深層学習 を用いた動作生成手法の２つのアプローチから試みた．
2
タスクデザイン
本研究には，Baxterを用いた．右グリッパーにボタン かけ補助具「ボタンエイド」を接続した．ボタンエイドの 様子を図1（左）に示す．
タスクには，ボタンを１個に限定し，ボタン，ボタン 穴，シャツの前立てのサイズを大きくした実験用シャツを
用いた．位置情報を取得するため，ボタンとボタン穴上下 にARマーカーを，前立ての布端に青い布テープを接着し た．ボタンエイドおよびボタン周辺の様子を図1（右）に 示す．
図1 ボタンエイド（左）と実験用シャツのボタン周辺（右）
3
マーカーベースの動作生成手法
3.1
ボタンかけ動作のサブタスク分割
ボタンかけタスクを複数サブタスクに分割し，if-then ルールで遷移させた．各サブタスクのフローを図2 に 示す．
図2 サブタスクのフロー
遷移の条件判断には，ボタンとボタン穴に接着したAR マーカー，前立ての青い布テープから取得した位置情報を 使用した．また，学習手法に用いるための学習データとし て，画像情報およびロボットの動作情報を収集した．
3.2
実験結果
ボタンかけ動作を77回試行した結果を表1に示す．
表1 各サブタスクの成功回数と成功率
サブタスク 成功回数 成功率 [回] [%]
サブタスク１ 77 100.0 サブタスク２ 52 67.5 サブタスク３ 16 20.8 サブタスク４ 7 9.1 サブタスク５ 2 2.6
全77試行中２回，ボタンかけ動作を行うことができた．
一連のボタンかけ動作を遂行するのに，288[s]を要した．
サブタスク３の成功率は特に低く，ボタンかけタスクの中 で成功率に関わる重要な動作であることが分かる．
4
深層学習を用いた動作生成手法
本手法では，3章で特に重要だと示されたサブタスク３ を達成した16データのうち14データを学習に用いた．
4.1
学習モデル
時刻tの画像特徴量とロボットの動作情報から，時刻 t+1の画像特徴量と動作情報を予測するニューラルネット ワーク[4]を用いた．ネットワークの概要を図3に示す．
３方向からのRGB画像をConvolutional Auto Encoder
（CAE）に通して各30次元，計90次元の画像特徴量を 抽出し，30次元の動作情報と合わせた120次元のデータ を階層型RNNのMultipleTimeScale Recurrent Neural Network（MTRNN）に入力し学習させることで，安定的 な動作生成モデルの実現を目指した．
図3 ネットワークの概要図
4.2
学習結果
学習済みのモデルに未学習データを入力した際に生成さ れた，左腕の関節角度の出力を図4に，右腕を図5に示 す．出力データをシミュレータ環境のBaxterに入力した
ところ，実環境のボタンかけ動作と同様の動作が生成され たことが確認されたことから，実機ロボット環境での動作 生成の可能性が示唆された．その様子を図6に示す．
図4 左腕の関節角度 図5 右腕の関節角度
図6 シミュレータ環境でのボタンかけ動作の様子
5
結論
本研究では，マーカーベースの動作生成手法と，深層学 習を用いた動作学習手法の２つのアプローチから，双腕ロ ボットによるボタンかけ動作に取り組んだ．マーカーベー スの動作生成手法では，一連のボタンかけ動作が実現され たが，成功率が2.6%と低い問題点が残った．深層学習を 用いた動作生成手法では，ボタンエイドをボタンにひっか けるまでの動作生成モデルが作成できた．今後，実機でオ ンライン動作生成に取り組み，本モデルの評価を行う．ま た，マーカーのないシャツでのボタンかけ動作，および要 する時間の短縮を目指して，モデルを改良する．
参考文献
[1] Ariel Kapusta, Zackory Erickson, Henry M. Clever, Wenhao Yu, C. Karen Liu, and Greg Turk. Personalized collaborative plans for robot-assisted dressing via optimization and simulation. In Autonomous Robots, Vol. 43, pp. 2183–2207, 2019.
[2] R. P. Joshi, N. Koganti, and T. Shibata. A framework for robotic clothing assistance by imitation learning. InAdvanced Robotics, Vol. 33, pp. 1156–1174, 2019.
[3] Mieko Inomata and Ayako Nakamura. Method by elderly women in buttoning and unbuttoning cuffs. 日本家政学会誌,第48巻, pp.
531–537, 1997.
[4] Kanata Suzuki, Hiroki Mori, and Tetsuya Ogata. Motion switch- ing with sensory and instruction signals by designing dynamical systems using deep neural network. InIEEE Robotics and Au- tomation Letters, Vol. 3, pp. 3481–3488, 2018.
