ForceBand: sEMGを用いた力強い操作の学習

本論文は、人間の筋活動を力情報付きのデモンストレーションに変換する低コストの手首装着型 sEMG システム「ForceBand」を提案する。 - 10時間のマルチモーダルデータセットを収集 - egocentric video, sEMG, IMU, fingertip force を含む - 多様な動作と物体をカバー - このデータセットで EMG2Force モデルを事前学習 - sEMG と IMU から指ごとの力を予測 - 短いユーザー固有のキャリブレーション後、ForceBand とビデオのみで目標タスクのデモを収集可能 - EMG2Force がデモに指ごとの力軌跡をラベル付けし、力拡張デモを生成 - ロボットポリシー学習に利用

従来の人間デモデータ源（motion-capture trajectories や internet videos）は主に運動と外観を捉え、力に敏感な操作に不可欠な接触力を欠いていた。 - ForceBand は低コストの手首装着型 sEMG で筋活動を力情報に変換 - 視覚ベースのベースラインと比較して、力予測誤差を 50% 以上低減 - 形状・サイズ・重さが多様な物体に対する pick, squeeze, place タスクで 87% の成功率を達成 - 物体固有の力制御を必要とするタスクを実現

技術の肝は以下の通り。 - 低コストの手首装着型 sEMG システム「ForceBand」 - 10時間のマルチモーダルデータセット（egocentric video, sEMG, IMU, fingertip force）を収集 - このデータセットで EMG2Force モデルを事前学習 - sEMG と IMU 信号から指ごとの力を予測 - 短いユーザー固有のキャリブレーションを実施 - キャリブレーション後、ForceBand とビデオのみで目標タスクのデモを収集 - EMG2Force がデモに指ごとの力軌跡をラベル付けし、力拡張デモを生成 - 生成されたデモをロボットポリシー学習に使用

実験による検証を実施。 - ForceBand が細かい指先相互作用を回復することを確認 - 視覚ベースのベースラインと比較して、力予測誤差が 50% 以上低い - 形状・サイズ・重さが多様な物体に対する pick, squeeze, place タスクで 87% の成功率を達成 - 物体固有の力制御が必要なタスクで有効性を実証

要旨からは不明。 - 限界や議論の詳細は記述されていない - 今後の課題や一般化可能性についての言及もない

要旨で参照/比較されている研究や関連手法は明示されていない。 - 同分野の定番として、motion-capture trajectories や internet videos を用いた人間デモからのロボット学習、視覚ベースの力予測、sEMG を用いた筋活動解析、ロボットポリシー学習（imitation learning, reinforcement learning）などが挙げられる。 - 具体的な論文名は要旨からは不明。