UNIVERZITET U NOVOM SADU

FAKULTET TEHNIČKIH NAUKA U

NOVOM SADU

Hana Gostimir 8/2013

Personalizovana kinematika
za saradnju čoveka i robota
u zadacima manipulacije

PREDMETNI ZADATAK
Neindustrijska robotika
- Master akademske studije –

Mentor:
Prof. dr Branislav Borovac

Novi Sad, 2016.

Sadržaj

Apstrakt 1

1 Uvod 2

2 Metode 5
2.1 Kinematički model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Identifikacija parametara . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Estimacija stanja modela . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Predikcija poze ruke čoveka . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5 Eksperimenti preuzimanja objekta . . . . . . . . . . . . . . . . . . . . . . 10
2.6 Procedura eksperimenta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 Rezultati 14
3.1 Personalizovani kinematički model . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Ergonomija tela čoveka prilikom preuzimanja . . . . . . . . . . . . . . . . 14

4 Diskusija 16

Literatura 21

i
 Personalizovana kinematika za
saradnju čoveka i robota u
zadacima manipulacije

Aaron M. Bestick, Samuel A. Burden, Giorgia Willits, Nikhil Naikal, S. Shankar Sastry,
and Ruzena Bajcsy

Svi autori su sa University of California, Berkeley, CA, USA; većina sa Department of Elec-
trical Engineering and Computer Sciences, samo G. Willits sa Department of Bioengineer-
ing.
Rad je predstavljen na IEEE/RSJ International Conference on Intelligent Robots and Sys-
tems (IROS) Congress Center Hamburg, Sept 28 - Oct 2, 2015. Hamburg, Germany

Apstrakt - Ovaj rad se bavi estimacijom parametara i stanja za personalizovani kinematički

model čoveka iz podataka dobijenih snimanjem pokreta. Ovi modeli mogu optimizovati
različite scenarije saradnje čoveka i robota u prilog udobnosti ili ergonomije odredjenog
čoveka-saradnika. U odnosu na ranija istraživanja u ovoj oblasti, primenjena u literaturi i
komercijalnom softveru, naš pristup nudi dve glavne prednosti: kinematički modeli su es-
timirani za specifičnog pojedinca, bez a priori pretpostavki o dimenzijama ekstremiteta ili
opsegu kretanja; i naš kinematički model eksplicitno uzima u obzir prirodna kinematička
ograničenja ljudskog tela. Personalizovani modeli su testirani u okviru eksperimenta sarad-
nje čoveka i robota u zadacima manipulacije. Pokazalo se da ljudi sa ograničenim opsegom
kretanja, prilikom preuzimanja objekata obema rukama, svoj torzo rotiraju značajno manje
ukoliko robot koristi personalizovani kinematički model za konfiguraciju preuzimanja, u
poredjenju sa ranijim pristupima koji su koristili generičke kinematičke modele čoveka.

1
Poglavlje 1

Uvod

U svakodnevnom životu ljudi svuda u svetu saradjuju jedni sa drugima kako bi manipulisali
različitim objektima. Bilo da se radi o razmeštanju nameštaja ili prenošenju alata, svaka
osoba zna koji je uobičajen položaj ekstremiteta i tela svojih partnera u tom poslu. Radije
biramo da uhvatimo objekte: blizu tela, nego daleko od nas; u visini izmedju struka i grudi,
nego iznad glave ili ispod stopala; i u domašaju pogleda, nego izvan vidokruga. Osposobl-
javanje robota-saradnika za ovakvu manipulaciju ostaje prepreka sveprisutnom razvoju au-
tonomnih servisnih robota.
Jedan od problema u ovoj oblasti, koji je nedavno privukao pažnju, jeste odabir “konfigu-
racije preuzimanja” ili “tačaka transfera objekta” (Slika 1.1).

Mislim da u tekstu koji se nalazi ispod slike 1.1: ”Robotu je lakše da preuzme objekat ako
poznaje kinematiku svog ljudskog partnera...”, treba da stoji rečenica: ”Čoveku je lakše da
preuzme objekat ukoliko robot poznaje njegovu kinematiku...”, s obzirom na to da se kao
argument navode povrede koje se tiču čoveka, i nikako nemaju uticaj na robota.

Ovakav problem se javlja kod zadataka u kojima robot treba da preda ili da preuzme objekat
od čoveka-saradnika. Raniji pristupi su definisali kriterijumsku funkciju preko mogućih
konfiguracija preuzimanja u odnosu na čoveka-saradnika, potom odabrali optimalnu kon-
figuraciju u odnosu na ovu kriterijumsku funkciju iz seta svih konfiguracija koje su za
robota izvodljive. Predjašnji autori su dizajnirali ove funkcije kako bi objedinili željene
kvalitete konfiguracija preuzimanja, kao što su: bezbednost, vidljivost i komfor [1], ili
upotrebljivost, prirodnost i prikladnost [2], [3]. Kriterijumske funkcije mogu takodje obuh-
vatiti i ergonomske faktore rizika od povreda [4], [5], [6], [7], [8].
Kod izvodjenja ovih funkcija, mnoge metode u literaturi koriste generički kinematički model
čoveka, da postignu udobnost ili ergonomiju konfiguracija preuzimanja. Ovi modeli tipično
koriste kinematičke parametre a priori preuzete iz prosečne morfometrike [1]-[3]. Iako
odgovarajući za neki deo populacije, jasno je da povreda, hendikep, umor i prirodne var-
ijacije u veličini i obliku tela mogu usloviti da bilo koji kinematički model bude nepri-
menjiv na mnoge pojedince. Jednostavna podešavanja, kao što je skaliranje kinematike
u pogledu visine može poboljšati rezultate, ali personalizovani model koji odgovara kine-
matici konkretnog pojedinca, bi trebalo da pokaže superiornije performanse (po cenu ula-
ganja dodatnih napora u kalibraciju i validaciju modela). Zaista, raniji autori jesu zapazili
da je neophodno prilagodjavanje ljudskim partnerima kao pojedincima [2].
Algoritmi za uskladjivanje kinematičkog “skeleta” sa pojedincem, korišćenjem vizuelnih
ili podataka dobijenih snimanjem pokreta već postoje u literaturi, ali dobijeni modeli često
koriste samo tri stepena slobode sferičnih zglobova i ne uspevaju da zabeleže druga kine-
matička ograničenja kao što su dužina ekstremiteta i opseg kretanja zgloba. Očigledan
primer je Kinect algoritam [9] za estimaciju poze skeleta u realnom vremenu. Zaštićeni
softveri mnogih sistema za snimanje pokreta, tipično primenjuju fiksirane dužine ekstrem-

2
3

Slika 1.1: Robotu je lakše da preuzme objekat ako poznaje kinematiku svog ljudskog part-
nera. Ukoliko je zanemari, čovek nadoknadjuje rotacijom svog torzoa, ali to može dovesti do
povreda [4]-[8]. Pa je manipulativna saradnja čoveka i robota potpomognuta opremanjem
robota personalizovanim kinematičkim modelom čoveka-saradnika.

iteta, ali ne modeluju zglobove sa ograničenim opsegom kretanja [10], [11], [12].

Smatram da je prethodna rečenica pogrešno formulisana. Naime, mislim da je smisao

da konkretni softveri mogu podesiti dužine ekstremiteta prema pojedincu, ali ne modeluju
zglobove sa limitiranim stepenom slobode ili ograničenim opsegom kretanja.
Ukoliko sam u pravu, korišćena reč ”fiksirani” ne opisuje na dobar način dužine ekstrem-
iteta, pre zvuči kao da su dužine unapred odredjene i fiksirane. Medjutim, ako je smisao
da stvarno koriste samo FIKSIRANE dužine esktremiteta, u tom slučaju nastavak rečenice
”ALI ne modeluju...” nema smisla, jer su ove dve stvari opisane zajedno kao kinematička
ograničenja - pa bi kao nastavak rečenice trebalo napisati ”i takodje ne modeluju...”.
Napominjem da je ovde moguća lična nedoumica usled nerazumevanja engleskog jezika.

U ovom radu predstavljamo sistem za estimaciju personalizovanih kinematičkih modela

čoveka iz podataka dobijenih snimanjem pokreta. Dva glavna doprinosa ovog rada su:
prvo, parametri kinematičkog modela – kao što su ose zgloba, opseg pokretljivosti zgloba, i
dužine ekstremiteta – estimirani su direktno iz podataka potrebnih za obučavanje, specifičnih
za odredjenog pojedinca, bez korišćenja a priori pretpostavljenih parametara zglobova i
ekstremiteta; drugo, naš kinematički prikaz eksplicitno uračunava prirodna kinematička
ograničenja ljudskog skeleta – kao što su ograničeni stepeni slobode i opseg kretanja –
koristeći minimalni broj podataka potrebnih za obučavanje. Koristili smo twist 1 [13] u jed-
nostavnom obliku kao u [14] da bismo obezbedili minimalnu unutrašnju parametrizaciju
zglobova. Ovaj rad dopunjava postojeću literaturu, s obzirom na to da modeli koje on
generiše mogu biti direktno korišćeni u okviru radova za planiranje preuzimanja objekata
[1]-[3] i za opštije modelovanje čoveka [15]-[16]. Posebno, naši personalizovani kine-
matički modeli su zamena za generičke kinematičke modele čoveka prikazane u [1]-[3];
a naši dobijeni parametri modela mogu se koristiti u reskaliranju i kalibraciji detaljnih
mišićno-skeletnih modela prikazanih u [15]-[16] prilagodjenih specifičnom pojedincu.

Očekujemo da će, korišćenjem personalizovanih modela, prilagodjeno ponašanje robota

doprineti bezbednijoj i ergonomičnijoj interakciji sa ljudima različitih fizičkih dimenzija,
1 Beskrajno mali pomeraj dobijen pužnim prenosom naziva se ”twist” i opisan je trenutnom brzinom krutog

tela preko njene linearne i ugaone komponente.[13]

Poglavlje 1. Uvod 4

kao i efikasnijoj saradnji sa ljudima čije su sposobnosti umanjene povredom ili hendike-
pom. Da bismo ukazali na korisnost predloženog rada, poredili smo tri šeme generisanja
lokacija za preuzimanje objekta sa obe ruke - od robota (Baxter Research Robot, Rethink
Robotics) do čoveka-saradnika u prostoru u kome je omogućeno snimanje pokreta. Ove tri
šeme su se razlikovale prema podacima dostupnim u trenutku transfera objekta:

• Konstantna: Položaj i orijentacija objekta prilikom preuzimanja2 je konstantna u

odnosu na koordinatni sistem tela robota. Ovo je naivan pristup i odabran je radi
poredjenja sa druga dva.
• Relativna: Položaj i orijentacija objekta prilikom preuzimanja je konstantna u odnosu
na koordinatni sistem ljudskog torzoa. Ova šema predstavlja konfiguracije izvedene
iz generičkih kinematičkih modela čoveka prikazanih u [1]-[3], kao što je razmatrano
u odeljku 2.5).
• Personalizovana: Poželjan položaj i orijentacija objekta prilikom preuzimanja3 izve-
dena je korišćenjem personalizovanog kinematičkog modela čoveka. To je metod
razvijen u ovom radu i predstavljen je u odeljku 2.4.

Termini ”handoff pose” i ”handoff configuration” su upotrebljeni kako bi opisali položaj i

orijentaciju objekta prilikom preuzimanja, pa smatram da su autori trebali da budu dosledni
korišćenjem istog termina svuda. Takodje, trebalo je tačnije odrediti pojam koji se opisuje
- na primer ”handoff object pose”.

Da bismo ocenili ove pristupe, poredili smo rotaciju ljudskog trupa (Slika 1.1) u trenutku
preuzimanja objekta, pošto ona statistički korelira sa povredama donjeg dela ledja ([8],
Tabela 1).
Svaki učesnik eksperimenta izveo je niz preuzimanja objekta sa lokacije generisane na-
sumičnim korišćenjem svake od šema. Takodje, svaki učesnik je ponavljao proces na dva
načina: prvo neopterećeno, a zatim sa dominatnom rukom ograničenom kaišem. Ograničavanje
dominantne ruke kaišem ima za cilj da simulira manji opseg pokreta uslovljen akutnom
povredom, kao što je npr. fizička ograničenost ekstremiteta u gipsu ili zavojem oko vrata.
Očekivali smo da ćemo zabeležiti značajno veću rotaciju trupa kad robot ima pristup samo
svom referentnom koordinatnom sistemu (konstantna šema), pogotovo kad su u pitanju
učesnici čija se morfologija razlikuje od generičkog modela korišćenog u odabiru fiksne
lokacije preuzimanja objekta. Štaviše, očekivali smo da će podešavanje lokacije preuzi-
manja objekta prema položaju i orijentaciji ljudskog trupa (relativna šema) ipak rezultirati
značajnom rotacijom trupa kad je dominantna ruka ograničena.

2 Termin ”handoff pose” je preveden kao položaj i orijentacija objekta, odnosno poza robota (položaj i ori-

jentacija hvataljke se poklapaju sa položajem i orijentacijom objekta, uzimajući u obzir da robot drži objekat)
prilikom preuzimanja.
3 Termin ”handoff configuration” je preveden kao položaj i orijentacija objekta prilikom preuzimanja.
Poglavlje 2

Metode

2.1 Kinematički model

Prateći konvencije koje je postavilo Medjunarodno udruženje biomehaničara [15], [17],
predstavljamo topologiju čoveka koristeći stablo sastavljeno od najviše pet kinematičkih
lanaca. Stablo je predstavljeno sa (J , E), gde je J skup zglobova, a E ⊂ J × J skup
okvira koji predstavljaju krute veze. Svako j ∈ J, ima jedan stepen slobode definisan twist
vektorom ξj ∈ se(3). Takav zglob j pomeren za ugao θj ∈ R daje transformaciju krutog
tela
 
exp ξbj θj ∈ SE(3) (2.1)

Možda bi bilo dobro dati referencu na rad [13], koji je naveden u uvodu da bi opisao twist,
jer se u njemu može naći i detaljno objašnjenje ovakvog definisanja transformacije krutog
tela 2.1.

izmedju ulaza i izlaza zgloba j, gde operatorbpreslikava twist vektor ξ = [w|v]T ∈ R6

u njegov ekvivalentni homogeni oblik:
 
  0 −w3 w2
wb v
ξb = b =  w3
,w 0 −w1  (2.2)
0 0
−w2 w1 0
Slično, svaka ivica (i, j) ∈ E predstavlja krutu vezu od izlaza zgloba i do ulaza zgloba j.
Data konfiguracija vektora θ ∈ Rn , definiše pomeraj za svaki od zglobova u J, pa je kruta
transformacija tela od ulaza korena r do izlaza zgloba j ∈ J data kao proizvod eksponenata
[13]
 
Y
gj (ξ, θ) =  exp(ξbi θi ) , (2.3)
i∈c(j)

gde je c(j) jedinstveni, uredjeni niz zglobova koji povezuju r − j. Pozicija, u osnovnom
(spoljačnjem) koordinatnom sistemu, uredjaja pi ∈ R3 (npr. markera kojim snimamo
pokret) kruto povezanog na izlaz zgloba j je data kao
 
p
gj (ξ, θ) i . (2.4)
1
Ovakav kompaktni oblik može modelovati rotacioni i linearni (translatorni) zglob.
Definisanje kinematike koristeći twist, daje dve prednosti ovoj aplikaciji: prvo, odsustvo
singulariteta koje čini kriterijumsku funkciju estimacije parametara J(ξ, θ, p) (u odeljku

5
Poglavlje 2. Metode 6

Slika 2.1: Rame - neutralno, napred i nazad

2.2) glatkom u odnosu na parametre zgloba ξ; drugo, sa samo šest slobodnih parametara po
zglobu, broj parametara koji opisuje twist je minimalan. Ovim se minimizira količina po-
dataka potrebnih za obučavanje algoritma identifikacije, u cilju postizanja odredjene tačnosti.
Kako bi završili naš model, definišemo preslikavanje α : {1, ..., m} → J, koje odredjuje
za izlaz kog zgloba je kruto povezan svaki od markera. Kada kažemo ”kinematčki skelet”
mislimo na kolekciju S = (J, E, α, ξ, p), stabla (J, E) sa preslikavanjem markera u zglob
α, twist vektorima ξ ∈ se(3)n i pozicijama markera p ∈ R3×m .

Izvodjenja koja prethode definisanju pozicije markera u prostoru su koncizno predstavl-

jena. Svi članovi koji se koriste su opisani. Uzimajući u obzir informacije iz [13], u ovom
odeljku je dat dobar pregled kinematičkog modela čoveka.

2.2 Identifikacija parametara

Da bi modelovali pokret čoveka koristeći kinematički skelet razvijen u odeljku 2.1, pret-
postavljamo da su struktura stabla (J, E) i preslikavanje marker-zglob α poznati, ali twist
ξ ∈ se(3)n i pozicija markera p ∈ R3×m nepoznati. Teško je direktno meriti ξ i p, pa
se zbog toga ove veličine estimiraju iz skupa podataka potrebnog za obučavanje η1:N , gde
svako ηk ∈ R3×m . Ovaj skup podataka se sastoji od N (zašumljenih) posmatranih ko-
ordinata, m markera u osnovnom (spoljašnjem) koordinatnom sistemu (u našem slučaju,
dobijenih putem sistema za snimanje pokreta). Oni su sakupljeni dok je učesnik eksperi-
menta izvodio neki niz pokreta za obučavanje. Za model gornjeg dela tela, korišćenog u
našim eksperimentima, ovaj niz se sastojao od pomeranja zglobova ramena i lakta u nji-
hovom punom opsegu kretanja, kao što je prikazano na slikama 2.1 i 2.2.
Imajući ovaj skup podataka za obučavanje, parametri skeleta su estimirani kao u [14], ko-
risteći princip nelinearnih najmanjih kvadrata za minimizaciju greške predikcije [18] na
skup vektora grešaka, sa formulom:
   
p η
(ξ, θk , pi ) = gα(i) (ξ, θk ) i − k, . (2.5)
1 1
Primetite da pored paramatera skeleta ξ i p, ugaoni pomeraj zgloba θ mora takodje biti
estimiran za svaki element skupa podataka potrebnih za obučavanje, kako bi u potpunosti
definisali grešku predikcije. Zbog toga, funkcija greške koja je minimizirana je:
N X
X m
J(ξ, θ, p) = k(ξ, θk , pi )k22 . (2.6)
k=0 i=0
7 2.3. Estimacija stanja modela

Slika 2.2: Lakat - neutralan, ispružen i savijen

Za sve zglobove j ∈ c(α(i)), koji prethode α(i), izvodi ε koji zavise od ξj , θj i pi su dati
kao (videti i (33) u [19]):

Dξj (ξ, θ, pi ) =A
cj pi ,
Dθj (ξ, θ, pi ) =(Adgj (ξ,θ) ξj ) ˆ pi ,
Dpi (ξ, θ, pi ) =Rj (ξ, θ),

gde je matrica Aj data u ([19], jna 14) i Rj je rotaciona komponenta gj (ξ, θ). (Za zglobove
j 6∈ c(α(i)), koji ne prethode α(i), izvodi Dξj , Dθj  = 0.) Minimizacija greške predik-
cije je izvršena pomoću SciPy [20] koji ima interfejs ka lmder rutini iz paketa MINPACK
[21]. Iako nismo izveli uslove koji obezbedjuju formalnu identifikaciju parametara modela
ili asimptotsku doslednost estimiranih parametara [18], spekulišemo da su pouzdano dobi-
jeni dobri rezultati, koristeći skup podataka koji linearno skalira sa brojem zglobova, npr.
N ≈ C|J|, sa C malim kao C = 3, posmatrano za svaki zglob u kinematičkom stablu.

Nije mi potpuno jasna poslednja rečenica, gde spekulišu (”anecdotally report”) pouzdano
dobijene dobre rezultate. Da li su želeli da kažu da bez usvajanja pomenutih uslova, sma-
traju rezultate dobrim i pouzdano dobijenim?

2.3 Estimacija stanja modela

Nakon estimiranja geometrijskih parametara kinematičkog skeleta S za specifičnog po-
jedinca kao u odeljku 2.2, možemo estimirati stanje modela (ugaone pomeraje θ) online
pomoću niza izmerenih pozicija markera preko kojih snimamo pokret. Ova estimacija je
izvedena korišćenjem ”neosetljivog” Kalmanovog filtra (UKF) [22]. Filtar je primenjen na
stohastičke procese definisane u diskretnom domenu kao:

xk+1 =f (xk ) + uk , uk ∼ N (0, Uk ),

(2.7)
yk =h(xk ) + vk , vk ∼ N (0, Vk ),

gde f : Rn → Rn definiše tačno odredjenu dinamiku, h : Rn → Rm posmatranu

funkciju, a uk , vk su nezavisne i (respektivno) identično Gausovski raspodeljene naiz-
menične promenljive. Pretpostavlja se da je raspodela početnog stanja Gausovska i obeležena
je sa N (x0 , P0 ).
Za kinematički model iz odeljka 2.1, stanje je dato preko generalizovanih koordinata zglobova
x = θ, dinamika je opisana procesom šuma u (npr. f ≡ idRn ), dok je merenje pozicije
Poglavlje 2. Metode 8

markera zakačenog za izlaz zgloba j u tački p dato u formuli 2.4, pa je onda h(θ) dobijeno
vertikalnim spajanjem trodimenzionalnih vektora pozicije svih markera.
UKF rekurzivno estimira prva dva momenta stanja N (xk+1 , Pk+1 ), u koraku k + 1, ko-
risteći estimaciju N (xk , Pk ) iz prethodnog koraka i merenje yk+1 ; detaljnije u [22]. Prvo
se formira niz sigma tačaka [22].

Dosad nisam bila upoznata sa ”neosetljivim” Kalmanovim filtrom, pa sam tražila i defini-
ciju sigma tačaka. Po mom mišljenju, u tekstu ne bi škodila jedna kratka definicija: ”Sigma
tačke - minimalni skup tačaka oko srednje vrednosti”.

Empirijski proces i kovarijanse i kros-kovarijanse merenja su estimirane ubacivanjem ovih

tačaka u model 2.7. Konačno, inovacioni korak klasičnog Kalmanovog filtra [23] je izveden
korišćenjem estimiranih kovarijansi.

Naglašavamo da, iako bi bilo moguće ponavljati korak estimacije kinematičkih parametara
(odeljak 2.3) date osobe, iz svakog sledećeg skupa podataka, kako bi se dobila minimalna
predikcija greške, u praksi se pokazalo da su parametri estimacije veoma dosledni širom
opsega odredjenih skupova podataka potrebnih za obučavanje i inicijalizacija, u odnosu na
količinu i kvalitet podataka dostupnih u našim eksperimentima. Zbog toga, jednostavno
fiksiramo kinematičke parametre svakog učesnika eksperimenta posle početnog koraka es-
timacije.

Mislim da je u poslednjem pasusu napravljena greška - naime, treba da stoji ”...korak es-
timacije kinematičkih parametara (odeljak 2.2)...” umesto što se pozivaju na odeljak 2.3 -
takodje, moguće je da se ovaj pasus greškom našao u ovom odeljku, jer suštinski pripada
prethodnom.
Svakako, smatram vrlo korisnom informaciju o razlogu fiksiranja parametara nakon inici-
jalnog koraka estimacije.

2.4 Predikcija poze ruke čoveka

Termin ”pose” je ovde korišćen u opisu poze ruke čoveka, pa je to trebalo tako i naz-
vati, kako bi se u celom radu izbegle dileme oko razumevanja termina ”handoff pose” koji
označava poziciju i orijentaciju objekta tokom preuzimanja.

Dato kinematičko stablo (J, E) kalibrisano je prema učesniku eksperimenta, kao što je
opisano u prethodnom odeljku. Sada smatramo problemom predikciju čovekovog ponašanja
tokom kolaborativnog zadatka manipulacije. Pre no što opišemo kako neke od najpopularni-
jih teorija mogu biti upotrebljene u našem radu, otpočinjemo pregledom bogate naučne lit-
erature koja se bavi ovim problemom.
Danas, jedna od napoznatijih i najplodonosnijih teorija motornog upravljanja je teorija op-
timalnog upravljanja sa povratnom spregom, gde se obrazlaže da centralni nervni sistem
konstruiše pokret minimizovanjem cene C ∈ R koja zavisi od ugla θ, obrtnog momenta τ ,
ili trajektorije vrha manipulatora x (i, moguće, njihovih izvoda) tokom vremenskog inter-
vala [0, T ] ⊂ R, ili u otvorenoj petlji ili sa povratnom spregom [24], [25].
Za stvaranje trajektorije, jedna od najstarijih i najcitiranijih formula kriterijumske funkcije
je minimalni trzaj [26]

T
...
Z
C...
x = k x(t)k2 dt (2.8)
0

Medjutim, kasnije studije su pokazale da drugi kriterijumi kao što je minimalna promena
9 2.4. Predikcija poze ruke čoveka

obrtnog momenta [27],

Z T
Cτ̇ = kτ̇ (t)k2 dt (2.9)
0
ili minimalna motorna komanda [25] daju bolje rezultate.

Čitajući referencu [25], kako bih se detaljnije upoznala sa teorijom optimalnog upravl-
janja sa povratnom spregom, došla sam do pojma ”motorna komanda” koji mi je bio dosad
nepoznat. U radu se navodi se da je motorna komanda koncipirana kao nervni pogon
mišića, koji se može meriti putem EMG, čiji se ispravljeni signal propusti kroz niskopro-
pusni filtar i dobija se vrednost proporcionalna sili mišića.
Pa iz toga zaključujem da ova kriterijumska funkcija daje optimalno rešenje za dostizanje
cilja ulaganjem što manjeg napora.

U sadašnjoj postavci, više smo koncentrisani na krajnju pozu čovekove ruke, nego na tra-
jektoriju kojom bi on tu pozu postigao. Za statičku predikciju položaja, klasičan zakon (al-
ternativno pripisan Donder ili Listing [28]) kaže da za svaku pozu šake postoji jedinstveni
poželjna položaj ekstremiteta (ruke). Iako pogodan za neke postavke eksperimenta, po [28]
ovaj ”zakon” daje slabe predkicije položaja ekstremiteta u izvršenju zadatka, i pokazuje da
minimalni rad,
Z T
CW = τ T (t)θ̇(t)dt (2.10)
0
daje bolje predkcije.
Zaključujemo da, u zavisnosti od kolaborativnog zadatka manipulacije koji se uzima u obzir,
kriterijumske funkcije date formulama 2.8, 2.9, ili 2.10 mogu dati bolje pretpostavke ljud-
skog ponašanja. Napominjemo da se na naš rad može primeniti bilo koja od kriterijumskih
funkcija koja blago varira u pogledu ugla zgloba θ, obrtnog momenta τ , ili trajektorije
vrha manipulatora x, uključujući ali ne ograničavajući se na (2.8 – 2.10). Za eksperimente
preuzimanja, prikazane u ovom radu, izabrali smo najjednostavniju kriterijumsku funkciju
koja je u skladu sa našim modelom kinematičkog skeleta. Konkretno, odredili smo položaj
θ∗ koji je izvodljiv samo kada se uzmu u obzir subjektom-odredjena ograničenja zglobova
izračunata u kalibracionom koraku, zatim smo minimizovali cenu poželjnog položaja

Cθ∗ = kθ − θ∗ k (2.11)
koristeći izbor θ = 1/2(θM − θm ), što je na pola puta izmedju gornje i donje granice
∗

zgloba. Naglašavamo da je kriterijumska funkcija 2.11 izabrana zbog svoje jednostavnosti,

i da očekujemo da bi korišćenje biološki verodostojnije kriterijumske funkcije dalo strik-
tno bolje rezultate u odnosu na one dobijene sa 2.11. Posebno, svaka korist u pogledu
ergonomije, dobijena korišćenjem kriterijumske funkcije poželjnog položaja 2.11 bi trebalo
da bude veća ukoliko se minimizuje trzaj 2.8, promena obrtnog momenta 2.9, ili rad 2.10.
Primetimo da zbog dinamičkih kriterijumskih funkcija (2.8 – 2.10), koje odredjuju cenu
praćenja trajektorije umesto dostizanja statičnog položaja kao u 2.11, položaj pri preuzi-
manju θT sa najnižom cenom će generalno zavisiti od početnog položaja θ0 u kom se čovek
nalazi pre preuzimanja.
Konačno, napominjemo da svaka od kriterijumskih funkcija (2.8 – 2.11) predstavljenih gore,
zahteva samo personalizovan kinematički model čoveka. Konceptualno je lako proširiti pro-
ces rada prilagodjavanjem personalizovanom dinamičkom modelu, ali to zahteva veći broj
kalibracionih eksperimenata kako bi se odredili inercijalni parametri [29], [30]. Dinamički
model nije neophodan u ovom radu; ovde se fokusiramo na pokazivanje značaja person-
alizovanih modela koristeći najjednostavniju kvazi-statičku kriterijumsku funkciju 2.11, te
inercijalni parametri dinamičkog modela ne bi imali uticaja na predikciju poze ruke čoveka1 .
1 Termin ”pose” je preveden kao ”poza ruke čoveka”.
Poglavlje 2. Metode 10

Pohvalila bih autore za temeljan pregled potencijalnih kriterijumskih funkcija, i konkretno

naveden razlog krajnjeg izbora. Takodje, naglašen je i prostor za poboljšanje, što je veoma
korisno.

2.5 Eksperimenti preuzimanja objekta

Poredili smo tri šeme za generisanje lokacije za preuzimanje (transfer) objekta koristeći obe
ruke - od robota (Baxter Research Robot, Rethink Robotics), do čoveka-saradnika u prostoru
u kome je omogućeno snimanje pokreta. Tri šeme preuzimanja razlikuju se u podacima koji
su dostupni u trenutku transfera objekta:
• Konstantna: Položaj i orijentacija objekta prilikom preuzimanja generisani su u fik-
snoj lokaciji relativnoj u odnosu na koordinatni sistem tela robota. Ova šema ne
koristi podatke o čovekovoj lokaciji ili kinematičkoj strukturi. Ovo je naivni pristup
i odabran je radi poredjenja sa druga dva.
• Relativna: Položaj i orijentacija objekta prilikom preuzimanja su konstantni u odnosu
na koordinatni sistem čovekovog torzoa. Ova šema predstavlja lokacije preuzimanja
dobijene korišćenjem generičkih kinematičkih modela čoveka u prethodnim pris-
tupima. Na primer, u [2], [3], autori koriste generički kinematički model čoveka
kako bi procenili jednu komponentu (označenu ftake ) njihove kriterijumske funkcije
preuzimanja, koja ima maksimum u položaju i orijentaciji objekta sa najvećim bro-
jem mogućih konfiguracija ”uzimanja”. Slično, u [1], autori optimizuju kriterijumsku
funkciju preuzimanja koja uključuje i uslov komfora ruke. Uslov je definisan zbirom
sume kvadrata pomeraja čovekovih zglobova iz konfiguracije za odmaranje i gravita-
cione potencijalne energije trenutne konfiguracije ruke, koristeći, takodje, generički
kinematički model čoveka za evaluaciju. Kako ovi pristupi koriste generički model
čoveka, oni proizvode istu optimalnu konfiguraciju preuzimanja u odnosu na koordi-
natni sistem čovekovog tela, ne obazirući se na razlike u dimenzijama ekstremiteta ili
opsegu pokreta odredjenog čoveka-saradnika. Relativna šema predstavlja pristup u
kome je dobijena konfiguracija preuzimanja objekta konstantna u odnosu na koordi-
natni sistem prikačen na torzo čoveka-saradnika.
• Personalizovana: Predvidja poželjan položaj i orijentaciju objekta prilikom preuzi-
manja koristeći personalizovani kinematički model. Ova šema je naš pristup. Generiše
položaj i orijentaciju objekta prilikom preuzimanja koji su optimalni u odnosu na iz-
abranu ergonomsku kriterijumsku funkciju (odeljak 2.4), za dimenzije ekstremiteta
i opseg kretanja konkretnog čoveka-saradnika, identifikovanog kao što je opisano u
odeljku 2.2.

Ovde su prikazane tri šeme generisanja lokacija preuzimanja, što je i tema ovog rada. Za
personalizovanu šemu se navodi da su lokacije dobijene korišćenjem podataka dobijenih
iz odeljka 2.4, a to je stanje modela opisano ugaonim pomerajima zglobova θ. Način na
koji se dobija željena lokacija korišćenjem ovih podataka nigde nije pomenut. Problem se
jednostavno rešava direktnom kinematikom, gde su sada već svi parametri poznati, ali sma-
tram da je bilo vrlo bitno to navesti u jednoj rečenici.

Svaki učesnik eksperimenta izveo je niz od 3 x 10 eksperimenata preuzimanja sa lokacijom

preuzimanja generisanom nasumično koristeći svaku od šema po 10 puta. Dodatno, svaki
učesnik je ponovio proces na dva načina: prvo neograničen, a zatim sa dominantnom rukom
koja je ograničena kaišem (Slika 2.4).
Dominantna ruka je ograničena kaišem kako bi se simulirao gubitak opsega kretanja usled
akutne povrede. Kao kriterijum vrednovanja, merili smo rotaciju u čovekovom trupu u
11 2.6. Procedura eksperimenta

Slika 2.3: Kaiš je korišćen kako bi se ograničio pokret ruke učesnika eksperimenta. Dobi-
jeni opseg kretanja bi približno bio jednak očekivanom opsegu u slučaju da je ruka u gipsu
ili ima akutnu povredu.

trenutku preuzimanja objekta. Očekivali smo sledeći ishod:

H0 Konstantna i relativna šema beleže značajno veću rotaciju nego personalizovana šema
u slučaju kada je čovekova ruka ograničena.

Ovde pod hipotezom stavljaju samo pretpostavke vezane za ograničenje u vidu opsega kre-
tanja, a ne spominju očekivanja u slučaju ”atipičnih” dimenzija tela čoveka-saradnika. Nije
jasno zašto je to izostavljeno, osim ukoliko učesnici eksperimenta imaju ”tipične” dimenzije
tela. Ako je tako, onda to treba i naglasiti.

2.6 Procedura eksperimenta

Prvo, svaki učesnik eksperimenta je bio opremljen odelom za snimanje pokreta gornjeg dela
tela. Ukupno 24 markera su bila prikačena za odelo od kojih su 4 na grudima, 4 na ledjima,
i 8 rasporedjenih duž svake ruke i šake (Slika 2.4).
Kako bi svaki marker bio jedinstveno odredjen u dobijenom skupu podataka, korišćen je
aktivni sistem za snimanje pokreta. Podaci su prikupljeni na 50Hz.
Pre početka eksperimenta preuzimanja, učesnici eksperimenta su izveli kalibracioni niz
pokreta da bi se definisao personalizovan kinematički model čoveka kao što je opisano u
odeljku 2.2, i kako bi se odredila pozicija i orijentacija objekta koja odgovara čoveku pri-
likom preuzimanja kao u odeljku 2.4. Kinematički model ima dva stepena slobode na svakoj
ruci, što čini ukupno 4 stepena slobode. Učesnik eksperimenta je izveo tri seta svakog od
kalibracionih pokreta pokazanih na slikama 2.1, 2.2 i zatim stao na obeležene pozicije na
podu, pa je sledeća procedura testiranja bila sprovedena 30 puta:

• robot uzima jedan kabl sa stola, dok prikazuje na ekranu poruku “Please wait”;
• robot bira položaj i orijentaciju objekta prilikom preuzimanja, predaje kabl čoveku
(Slika 2.4), i na ekranu prikazuje poruku “Ready?”;
• posle dve sekunde, hvataljke robota se otvaraju i ruke se povlače nazad;
• čovek uzima kabl i stavlja ga u hardverski uredjaj, pa zatim čeka na sledeće preuzi-
manje.
Poglavlje 2. Metode 12

Slika 2.4: Postavka eksperimenta. Svaki eksperiment je testirao 30 preuzimanja na-

sumičnog redosleda, od kojih je po 10 bilo generisano koristeći svaku od konstantne, rel-
ativne i personalizovane šeme, kao što je i rečeno u odeljku 2.5. Položaj i orijentacija
čovekovog torzoa merena je u momentu preuzimanja koristeći 8 markera za snimanje
pokreta na grudima i ledjima.

Položaj i orijentacija objekta prilikom preuzimanja u svakom testu su nasumično izabrani

koristeći konstantnu, relativnu ili personalizovanu šemu, kao što je definisano u odeljku 2.5
i pokazano na slici 2.5.
Položaj i orijentacija objekta prilikom preuzimanje su izabrani tako da je u jednoj sesiji
izvedeno 10 preuzimanja svakog tipa. Tokom svakog testa, sistem za snimanje pokreta
je snimao položaj i orijentaciju torzoa čoveka, pre početka eksperimenta preuzimanja i u
trenutku kada se preuzimanje dogodilo. Nakon završenog prvog seta od 30 preuzimanja sa
normalnim pokretima ruke, dominantna ruka učesnika eksperimenta je bila fiksirana kaišem
za njegov torzo, kako bi se ograničio njen pokret. Ovo je bilo sa namerom da se simulra
opseg pokreta posmatran za jednu ruku u gipsu ili posle povrede.

Prethodna rečenica, koja za svrhu ima objašnjenje fiksiranja dominantne ruke kaišem, se

Slika 2.5: Ilustracija šema za preuzimanje. Koristeći konstantnu šemu, robot predaje ob-
jekat u fiksiranoj lokaciji u njegovom referentnom koordinatnom sistemu. Sa relativnom
šemom, predaje objekat u fiksiranoj lokaciji u čovekovom referentnom koordinatnom sis-
temu i tako kompenzuje rotaciju i translaciju čovekovog torzoa. Personalizovana šema kom-
penzuje generalne promene u kinemtici, uključujući rotaciju, translaciju kao i ograničenje
opsega kretanja (npr. usled povrede, hendikepa ili zamora).
13 2.6. Procedura eksperimenta

ponavlja već treći put u radu, ne računajući i objašnjenje na slici. Po mom mišljenju bilo
je dovoljno da se prvi put pri pominjanju fiksiranja ruke, navede namera, a svaki sledeći
izostavi.

Učesnik je onda izveo još jedan kalibracioni niz pokreta. Ovaj niz je bio potreban kako
bi se identifikovao novi kinematički model i predvidela nova pozicija i orijentacija objekta
prilikom preuzimanja, imajući u vidu novi ograničeni opseg kretanja. Zatim je izvedena
nova sesija od 30 eksperimenata koristeći istu proceduru kao pre.
Poglavlje 3

Rezultati

3.1 Personalizovani kinematički model

Nakon podešavanja kinematičkog modela prema nizu kalibracionih pokreta učesnika eksper-
imenta, tačnost sa kojom je kruta kinematička struktura modela beležila stvarni pokret
čoveka izmerena je izračunavanjem greške reprojekcije (merenja) za svaki marker u svakom
pokretu kalibracionog niza. Za sva četiri učesnika, tokom eksperimenata ograničenih i
neograničenih kretanja, srednja greška reprojekcije za 16 markera ruke kretala se u opsegu
od 4.86cm do 0.29cm, sa srednjom vrednošću od 1.49cm. Ova relativno mala greška
ukazuje na to da je kinematički model, identifikovan algoritmom podešavanja parametara,
precizno beležio kinematička ograničenja u posmatranom stvarnom pokretu čoveka.
Na slici 3.1 su prikazani dostupni radni prostori izračunati iz personalizovanih kinematičkih
modela za dva učesnika eksperimenta. Iako su radni prostori kvalitativno slični, postoje
značajne razlike izmedju ova dva učesnika. Radni prostori za dva učesnika sa ograničenim
pokretom ruke se samo malo preklapaju, što pokazuje da bi jedan generički kinematički
model imao poteškoće pri beleženju fizičkih ograničenja oba učesnika simultano. Čak i u
slučaju neograničenog pokreta, udeo dostupnog radnog prostora za ruku ispruženu unazad
znatno je veći za drugog u odnosu na prvog učesnika. (Slika 3.1).

3.2 Ergonomija tela čoveka prilikom preuzimanja

Primenili smo upareni t-test [31] kako bismo odredili da li izbor šeme 1 (konstantna), 2
(relativna), ili 3 (personalizovana) dovodi do statistički značajne promene u rotaciji torzoa,
merenoj u trenutku preuzimanja. Ova analiza je obavljena kako za svakog učesnika eksper-
imenta pojedinačno, tako i za zajednički skup podataka sva četiri učesnika. T-test pred-
postavlja da prava raspodela uglova rotacije za datog učesnika eksperimenta prati Gausovu
krivu i ima identičnu varijansu u sve tri šeme preuzimanja.
Kod eksperimenata sa neograničenim kretanjem ruke, nije bilo statistički značajne razlike
(p < 0.05) izmedju uglova rotacije torzoa merenih u tri različite šeme preuzimanja, kada
su testirani preko zajedničkog skupa podataka (Slika 4.1b). Medjutim, analiza zajedničkog
skupa podataka za eksperimente sa ograničenim pokretom ruke proizvodi značajne razlike
uglova rotacije izmedju šema preuzimanja 3 (personalizovane) i šeme 1 (konstantne), kao i
izmedju šeme 3 (personalizovane) i šeme 2 (relativne) (Slika 4.1d).
Ova analiza ukazuje da izbor šeme preuzimanja dovodi do značajne razlike u uglovima
rotacije torzoa učesnika sa ograničenim opsegom kretanja.

Autori navode da je t-test primenjen ”kako za svakog učesnika pojedinačno, tako i za za-
jednički skup podataka sva četiri učesnika”. Medjutim, predstavljeni su samo rezultati do-
bijeni analizom zajedničkog skupa podataka, dok se drugi ne pominju. Smatram da je tre-

14
15 3.2. Ergonomija tela čoveka prilikom preuzimanja

Slika 3.1: Dostupni radni prostori dva izabrana učesnika eksperimenta izračunati iz person-
alizovanih kinematičkih modela u slučaju ograničenog i neograničenog kretanja. Modeli su
dobijeni kao što je opisano u odeljku 2.2. Može se uočiti malo preklapanje radnih prostora
dva učesnika u slučaju ograničenog kretanja, dok je čak i u slučaju neograničenog kretanja
udeo radnog prostora iza učesnika znatno veći za drugog u odnosu na prvog učesnika.

balo bar u jednoj rečenici napomenuti kakve rezultate su dobili analizom svakog učesnika
posebno - dok pretpostavljam da su dobili iste/veoma slične rezultate.
Poglavlje 4

Diskusija

Sličnost uglova rotacije torzoa merena za sve tri šeme preuzimanja u slučaju neograničenog
kretanja ukazuje da se metode planiranja preuzimanja, zasnovane na generičkim kinematičkim
modelima, pokazuju dobro u interakciji partnera koji imaju “tipične” dimenzije tela i opseg
kretanja (slike 4.1a i 4.1b).

Autori u uvodu pretpostavljaju da će njihova personalizovana šema dati bolje rezultate u
vidu manje rotacije torzoa čoveka saradnika u dva slučaja:

• ”kada se morfologija tela značajno razlikuje od generičkog kinematičkog modela

korišćenog za dobijanje fiksne pozicije preuzimanja” i

• ”kada je opseg kretanja dominantne ruke ograničen”.

Medjutim, u diskusiji komentarišu rezultate dobijene putem eksperimenata nad zajedničkim

skupom podataka od sva 4 učesnika za koje generalno kažu da ”imaju tipične dimenzije
tela”, kao što sam i pretpostavila u odeljku 2.5. Smatram da bi bilo bolje da su odabrali
ljude sa atipičnim dimenzijama tela za eksperiment (barem u vidu visine - da je jedan od
ova 4 učesnika veoma visok, a jedan dosta nizak), kako bi se pokazao doprinos person-
alizovanih modela ne samo u aspektu opsega kretanja, već i u odnosu na dimenzije tela
čoveka-saradnika.

Medjutim, performanse ovih metoda su degradirane kada je opseg kretanja čoveka ograničen,
jer je onda neophodan značajan kompenzacijski pokret torzoa kako bi se čovek prilago-
dio konfiguraciji preuzimanja odabranoj od strane robota (slike 4.1c i 4.1d). Upotreba
konfiguracija preuzimanja generisanih korišćenjem personalizovanih kinematičkih modela
značajno poboljšava rezultate, omogućavajući učesnicima eksperimenta da održe neutralan
položaj tela u trenutku preuzimanja objekta.

Poredivši samo rezultate dobijene korišćenjem personalizovane šeme, vrlo je interesantno

da je zabeležena veća rotacija torzoa u slučaju neograničenog kretanja, nego u slučaju
ograničenog opsega kretanja dominantne ruke (Slike 4.1b i 4.1d).
Intuitivno mi je logičnije obrnuto, pa bih očekivala u radu komentar na to zašto im person-
alizovan model bolje radi u slučaju ograničenog kretanja?

Verujemo da korišćenje personalizovanih kinematičkih modela ”obećava” ne samo u speci-

fičnom slučaju preuzimanja objekta, već i mnogo šire u oblasti saradnje čoveka i robota.
Naša implementacija koristi podatke dobijene iz snimanja pokreta, kako bi demonstracijom
dokazala koncept rada personalizovanog kinematičkog modela. Rad se lako može proširiti
na aplikacije u praksi korišćenjem inercijalnih merenja i drugih podataka, kao što su podaci
dobijeni kamerom, iz uredjaja kao što je Kinect [32]. Da pojednostavimo postupak, koris-

16
17

(a) neograničen (b) neograničen

- histogram ugla rotacije - empirijske gustine verovatnoće ugla rotacije

(c) ograničen (d) ograničen

- histogram ugla rotacije - empirijske gustine verovatnoće ugla rotacije

Slika 4.1: Raspodele ugla rotacije zajedničkog skupa podataka za (a,b) neograničenu i (c,d)
ograničenu kinematiku. (a,b) Raspodele rotacije ugla se dosta preklapaju za tri šeme preuz-
imanja u slučaju neograničene kinematike. (c,d) Medjutim, raspodela dobijena upotre-
bom personalizovanog kinematičkog modela se značajno razlikuje u odnosu na upotrebu
samo relativne pozicije čoveka ili konstante lokacije preuzimanja (upareni t–test, N = 10,
p < 0.05).
Poglavlje 4. Diskusija 18

tili smo personalizovani kinematički model samo da estimiramo izvodljivu lokaciju preuz-
imanja; podrazumeva se da rad lako možemo proširiti na uključivanje drugih ograničenja i
kriterijumskih funkcija [33] kako bismo sagledali položaj ljudskog tela i pokret sa stanovišta
energetskih [27], [34] ili dinamičkih [30] principa.

U budućem radu nadamo se proučavanju korišćenja ovih klasa kriterijumskih funkcija kao i
drugih zadataka koji se odnose na ergonometriju, kao što su lakoća manipulativnosti, kom-
penzacija gravitacije, i slični koncepti. Ovaj rad dopunjava postojeću literaturu, pošto per-
sonalizovani kinematički modeli koje on generiše lako mogu biti upotrebljeni u radovima
koji se bave preuzimanjem objekata [1]-[3], a mogu se koristiti i za opštije modele čoveka
[15]-[16]. Još šire, on predstavlja osnovu za korišćenje personalizovanih kinematičkih mod-
ela u oblasti saradnje čoveka i robota.

Moje celokupno kritičko mišljenje o ovom radu je pozitivno. Smatram obradjenu temu
veoma korisnom, jer se nadam da će se upotreba servisnih robota dosta brzo toliko raširiti,
da će biti neophodno prilagoditi ponašanje robota svakom pojednicu. Odlično selektovana
literartura, doprinosi lakšem ulaženju u suštinu oblasti koje su obuhvaćene ovim radom.
Cenim da su autori vrlo temeljno istražili ovu oblast, i pripremili teren za budući rad, gde
tek dolazi do izazovnog prilagodjavanja robota čoveku, u vidu komfora, i minimalnog na-
pora.
Literatura

[1] E. A. Sisbot and R. Alami, “A human-aware manipulation planner,” IEEE Transactions

on Robotics, vol. 28, no. 5, pp. 1045–1057, 2012.
[2] M. Cakmak, S. S. Srinivasa, M. K. Lee, J. Forlizzi, and S. Kiesler, “Human pref-
erences for robot-human hand-over configurations,” in 2011 IEEE/RSJ International
Conference on Intelligent Robots and Systems. IEEE, 2011, pp. 1986–1993.

[3] K. W. Strabala, M. K. Lee, A. D. Dragan, J. L. Forlizzi, S. Srinivasa, M. Cakmak,

and V. Micelli, “Towards seamless human-robot handovers,” Journal of Human-Robot
Interaction, vol. 2, no. 1, pp. 112–132, 2013.
[4] M. Boussenna, E. Corlett, and S. Pheasant, “The relation between discomfort and
postural loading at the joints,” Ergonomics, vol. 25, no. 4, pp. 315–322, 1982.

[5] L. Punnett, L. J. Fine, W. M. Keyserling, G. D. Herrin, and D. B. Chaffin, “Back dis-

orders and nonneutral trunk postures of automobile assembly workers,” Scandinavian
journal of work, environment & health, pp. 337–346, 1991.
[6] W. Keyserling, M. Brouwer, and B. Silverstein, “A checklist for evaluating ergonomic
risk factors resulting from awkward postures of the legs, trunk and neck,” International
Journal of Industrial Ergonomics, vol. 9, no. 4, pp. 283–301, 1992.
[7] W. S. MARRAS, S. A. LAVENDER, S. E. LEURGANS, F. A. FATHALLAH, S. A.
FERGUSON, W. G. ALLREAD, and S. L. RAJULU, “Biomechanical risk factors for
occupationally related low back disorders,” Ergonomics, vol. 38, no. 2, pp. 377–410,
1995, pMID: 7895740.

[8] W. S. MARRAS, S. A. LAVENDER, S. E. LEURGANS, F. A. FATHALLAH, S. A.

FERGUSON, W. Gary Allread, and S. L. RAJULU, “Biomechanical risk factors for
occupationally related low back disorders,” Ergonomics, vol. 38, no. 2, pp. 377–410,
1995.

[9] J. Shotton, T. Sharp, A. Kipman, A. Fitzgibbon, M. Finocchio, A. Blake, M. Cook,

and R. Moore, “Real-time human pose recognition in parts from single depth images,”
Communications of the ACM, vol. 56, no. 1, pp. 116–124, 2013.
[10] Autodesk, “Autodesk motionbuilder,” http://www.autodesk.com/products/
motionbuilder/, accessed: 2015-02-20.

[11] PhaseSpace, “Phasespace motion capture software,” http://www.phasespace.com/

software.html, accessed: 2015-02-20.
[12] O. M. Software., “Optitrack,” http://www.optitrack.com/products/motive/body/, ac-
cessed: 2015-02-20.

[13] R. M. Murray, Z. Li, S. S. Sastry, and S. S. Sastry, A mathematical introduction to

robotic manipulation. CRC press, 1994.

19
Literatura 20

[14] A. Ude, C. Man, M. Riley, and C. G. Atkeson, “Automatic generation of kinematic

models for the conversion of human motion capture data into humanoid robot motion,”
2000.

[15] G. Wu, F. C. Van der Helm, H. D. Veeger, M. Makhsous, P. Van Roy, C. Anglin,
J. Nagels, A. R. Karduna, K. McQuade, X. Wang et al., “Isb recommendation on
definitions of joint coordinate systems of various joints for the reporting of human
joint motion—part ii: shoulder, elbow, wrist and hand,” Journal of biomechanics,
vol. 38, no. 5, pp. 981–992, 2005.

[16] S. L. Delp and J. P. Loan, “A computational framework for simulating and analyzing
human and animal movement,” Computing in Science & Engineering, vol. 2, no. 5,
pp. 46–55, 2000.

[17] G. Wu, S. Siegler, P. Allard, C. Kirtley, A. Leardini, D. Rosenbaum, M. Whittle,

D. D D’Lima, L. Cristofolini, H. Witte et al., “Isb recommendation on definitions of
joint coordinate system of various joints for the reporting of human joint motion—part
i: ankle, hip, and spine,” Journal of biomechanics, vol. 35, no. 4, pp. 543–548, 2002.

[18] A. Simpkins, “System identification: Theory for the user, (ljung, l.; 1999)[on the
shelf],” IEEE Robotics & Automation Magazine, vol. 19, no. 2, pp. 95–96, 2012.

[19] R. He, Y. Zhao, S. Yang, and S. Yang, “Kinematic-parameter identification for serial-
robot calibration based on poe formula,” IEEE Transactions on Robotics, vol. 26, no. 3,
pp. 411–423, 2010.

[20] E. Jones, T. Oliphant, P. Peterson et al., “SciPy: Open source scientific tools for
Python,” 2001–, [Online; accessed 2016-09-04].

[21] J. J. Moré, D. C. Sorensen, K. E. Hillstrom, and B. S. Garbow, The MINPACK Project,

in Sources and Development of Mathematical Software. Upper Saddle River, NJ,
USA: Prentice-Hall, Inc., 1984.

[22] S. Julier, J. Uhlmann, and H. F. Durrant-Whyte, “Technical notes and correspon-

dence ,” IEEE Transactions on automatic control, vol. 45, no. 3, p. 477, 2000.

[23] R. E. Kalman, “A new approach to linear filtering and prediction problems,” Journal
of basic Engineering, vol. 82, no. 1, pp. 35–45, 1960.

[24] E. Todorov, “Optimality principles in sensorimotor control,” Nature neuroscience,

vol. 7, no. 9, pp. 907–915, 2004.

[25] J. Diedrichsen, R. Shadmehr, and R. B. Ivry, “The coordination of movement: optimal

feedback control and beyond,” Trends in cognitive sciences, vol. 14, no. 1, pp. 31–39,
2010.

[26] T. Flash and N. Hogan, “The coordination of arm movements: an experimentally con-
firmed mathematical model,” The journal of Neuroscience, vol. 5, no. 7, pp. 1688–
1703, 1985.

[27] Y. Uno, M. Kawato, and R. Suzuki, “Formation and control of optimal trajectory in
human multijoint arm movement,” Biological cybernetics, vol. 61, no. 2, pp. 89–101,
1989.

[28] J. F. Soechting, C. A. Buneo, U. Herrmann, and M. Flanders, “Moving effortlessly

in three dimensions: does donders’ law apply to arm movement?” The Journal of
Neuroscience, vol. 15, no. 9, pp. 6271–6280, 1995.
21 Literatura

[29] G. Rao, D. Amarantini, E. Berton, and D. Favier, “Influence of body segments’ pa-
rameters estimation models on inverse dynamics solutions during gait,” Journal of
Biomechanics, vol. 39, no. 8, pp. 1531–1536, 2006.
[30] E. P. HANAVAN, JR, “A personalized mathematical model of the human body.” Jour-
nal of Spacecraft and Rockets, vol. 3, no. 3, pp. 446–448, 1966.

[31] M. Hazewinkel, Encyclopedia of Mathematics. Springer, 2012.

[32] C. Bregler, J. Malik, and K. Pullen, “Twist based acquisition and tracking of animal
and human kinematics,” International Journal of Computer Vision, vol. 56, no. 3, pp.
179–194, 2004.

[33] P. Baerlocher and R. Boulic, “An inverse kinematics architecture enforcing an arbitrary
number of strict priority levels,” The visual computer, vol. 20, no. 6, pp. 402–417,
2004.
[34] V. De Sapio, J. Warren, O. Khatib, and S. Delp, “Simulating the task-level control
of human motion: a methodology and framework for implementation,” The Visual
Computer, vol. 21, no. 5, pp. 289–302, 2005.