Professional Documents
Culture Documents
Neindustrijska Robotika Hana Gostimir01 PDF
Neindustrijska Robotika Hana Gostimir01 PDF
Personalizovana kinematika
za saradnju čoveka i robota
u zadacima manipulacije
PREDMETNI ZADATAK
Neindustrijska robotika
- Master akademske studije –
Mentor:
Prof. dr Branislav Borovac
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
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].
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:
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
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.
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
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 .
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?
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”.
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.
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
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
∗
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.
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.
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.
• 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
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
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:
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.
16
17
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
19
Literatura 20
[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.
[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].
[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.
[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.
[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.
[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.