動的な協働ロボットタスクにおける学習ベースモデルによる人間の筋疲労推定

本論文は、動的で周期的なphysical human-robot interaction(pHRI)において、腕に装着したsurface electromyography(sEMG)からヒトの筋疲労を推定するデータ駆動型フレームワークを提案する。 - 疲労を分類ではなく回帰として捉え、疲労までの残りサイクル割合(fraction of cycles to fatigue, FCF)を連続的に予測する。 - 特徴量ベースの機械学習(Random Forest, XGBoost, Linear Regression)と、spectrogramを入力とするconvolutional neural network(CNN)を比較する。 - 協働ロボットがadmittance control下で左右の反復運動を案内し、被験者10名で実験を行った。

先行研究と比べての優位性は要旨からは不明だが、以下の点が特徴として挙げられる。 - 疲労推定を分類ではなく回帰として定式化し、疲労への連続的進行を捉えることで、早期検出・適時介入・適応的ロボット制御を可能にする。 - 動的で周期的なpHRIタスクを対象とし、fraction of cycles to fatigue(FCF)を予測する点。 - 特徴量ベースMLとspectrogramベースDLを同一タスクで比較し、CNNが最低誤差、tree系が僅差で続くことを示した。 - 左右運動のみで学習したモデルが、未見の上下・円運動にある程度汎化することを示唆した。

技術や手法の肝は以下の通り。 - 腕装着sEMGから、3つのfrequency-domain特徴量と1つのtime-domain特徴量を抽出。 - 被験者ごとの回帰モデル(Random Forest, XGBoost, Linear Regression)でFCFを予測。 - フィルタ処理済みEMGのspectrogramを入力とするCNNも構築し比較。 - 協働ロボットはadmittance controlで左右の反復end-effector運動を案内し、疲労に至るまでデータを収集。 - 疲労推定を回帰問題として扱い、連続的な疲労進行をモデル化。

有効性の検証は以下の通り。 - 被験者10名を対象に、協働ロボットがadmittance control下で左右反復運動を案内し、筋疲労まで実験。 - 被験者ごとのFCF RMSE平均は、CNN 20.8±4.3%、Random Forest 23.3±3.8%、XGBoost 24.8±4.5%、Linear Regression 26.9±6.1%。 - クロスタスク汎化を調べるため、1名が未見の上下運動と円運動を追加実施。左右データのみで学習したモデルを直接テストし、概ね精度を維持したがLinear Regressionは劣化した。

議論として以下が挙げられる。 - 特徴量ベースMLとspectrogramベースDLの両方が、反復pHRI中の残作業能力を推定可能。 - CNNが最低誤差を示し、treeベースモデルが僅差で続く。 - 新しい運動パターンへの転移が示唆され、タスクごとの再学習なしで実用的な疲労モニタリングが可能な可能性がある。 - これによりオペレータ保護の向上と、疲労を考慮したshared autonomy、より安全なfatigue-adaptive pHRI制御に寄与しうる。 - ただし、被験者数やタスク多様性などの限界は要旨からは不明。

要旨で参照・比較されている研究や関連手法として以下が挙げられる。 - Random Forest - XGBoost - Linear Regression - convolutional neural network(CNN) - surface electromyography(sEMG)を用いた疲労推定 - admittance controlを用いたpHRI - 同分野の定番として、pHRIにおけるhuman fatigue estimationやfatigue-adaptive controlに関する研究。