人間とヒューマノイドロボットのタスク空間の表現と制御

ロボット工学の観点から見ると、人体は複雑で高度な自由度の運動システムであり、感覚入力、運動出力、および複数のエンデフェクターを備えています。神経系の課題は、集団筋肉、手足、関節からの動きと力を相乗的に調整し、到達、把握、歩行などのタスクを巧みに効率的に達成することです。このようなスキルの計画と制御の複雑さは、特に私たちが実行する動きのほとんどが冗長であるため、困難です（同じモーター出力を達成できる可能性のあるモーター入力の無限のセットを持っています;図6.1）。神経系が、最も単純なタスクであっても、特定の運動ソリューションを選択する方法は、神経科学研究における積極的なトピックです。ただし、ロボット奏者は一般的に冗長システムで動作し、複雑さを減らすための計算方法を開発しました。指定されたエンドエフェクターを備えた冗長ロボットシステムのモデルが与えられると、ロボットの運動学とダイナミクスをタスク空間に分解するための手法が存在します（動きの低次元サブスペースとタスクの達成に直接関連する力）。タスク空間の直交は、ヌル空間（タスクに関係なく動きと力の部分空間）です。これらの分解方法により、単純化された減少した次元空間でのタスクの計画と制御が可能になり、二次的なタスクを達成したり、乱れを吸収するための冗長性の利用が可能になります。神経科学では、人間がタスク空間内で動きを計画し、調整する方法についての以前の研究がありました。早くも1930年には、ラシュリーは運動の等価性（複数のが不平等な動きで同じ運動機能を達成する能力）の運動冗長性の重要性を認識しました[10]。しかし、最初にフリードームの問題を正式化したのはバーンスタインでした。神経系は、目標から行動への不確定なマッピングにどのように対処しますか[4]。バーンスタインは、神経系は機能的に「凍結」またはしっかりと結合することができると仮定しました。これは、特に運動学習の研究において、今日でも保持されている仮説です。眼球運動と視線を調べるとき、Donderはすべての視線の特定の固定眼のねじれを観察し、したがって、神経系がタスク変数から共同変数（つまり、Donders Law）に固定された1対1のマッピングを持つ可能性があることを提案しました。しかし、手足の動きは、この比較的単純な法律に違反することが示されています[28]。より最近の研究では、ショルツとシェーナーは、タスク - アイラバントと非常に多様な手の動きとは対照的に、人間が一貫して質量の中心を一貫して制御していることを繰り返し止めた動きを介して実証しました[21]。LockharとTingは、猫のバランスをとる脚の筋肉活性化の相乗効果を予測するために、タスクレベルのマスの加速を使用する方法を示しています[11]。トドロフとヨルダンは、最小介入原理を示唆しています（運動出力エラーは、タスクのパフォーマンスに干渉した場合にのみ修正されます）[30]。この章の目標は、タスク空間と冗長な制御における現在のロボット工学方法のいくつかを明らかにし、人間の動きの制御と冗長性解像度のモデリングに向けたアプリケーションを実証することです。最初に、主にロボット工学の観点から、タスク空間の動きと力を表現および制御するための理論と方法論について説明します。これらのモデリング技術が、運動制御、学習、および適応のための神経系の戦略を調査するための便利なツールであることを示します。最初に、逆運動や運用空間制御を含むロボット工学のタスク空間制御の表記と方法論を紹介します。次に、タスクのスペース制御と人間のリーチの実験から学習の証拠を示します。タスク空間ダイナミクスの内部モデルを活用するような動きのコントローラーを提案し、妨害が冗長運動を変えることを可能にします。最後に、これらのモデルを単一の手足から全身ドメインに拡張するという課題のいくつかを説明し、提示します。

From a robotics perspective, the human body is a complex, high degree-of-freedom motor system, with a plethora of sensory inputs, motor outputs, and multiple endeffectors. The challenge for the nervous system is to synergistically coordinate motion and forces from collective muscles, limbs, and joints, to skillfully and efficiently achieve tasks such as reaching, grasping, and walking. The complexity of planning and controlling such skills is daunting, particularly as most of the motions we execute are redundant (having an infinite set of possible motor inputs that can achieve the same motor output; Figure 6.1). How the nervous system chooses its particular motor solution, even for the simplest of tasks, is still an active topic in neuroscience research. Roboticists, however, commonly work with redundant systems, and have developed computational methods for reducing complexity. Given a model of a redundant robotic system, with specified end-effector(s), techniques exist for decomposing the robot’s kinematics and dynamics into the task space (the lower-dimensional subspace of motion and forces directly relevant for task achievement). Orthogonal to the task space is the null space (the subspace of task-irrelevant motion and forces). These decomposition methods enable the planning and control of tasks in a simplified, reduced dimensional space, while still allowing for exploitation of redundancy for achieving secondary tasks or absorbing disturbances. In neuroscience, there has been previous study of how humans plan and coordinate movement within a task space. As early as 1930, Lashley recognized the importance of kinematic redundancy for motor equivalence (the ability to achieve the same motor function with multiple but unequal movement) [10]. However, it was Bernstein who first formalized the degrees-of-freedom problem: how does the nervous system cope with the indeterminate mapping from goals to actions [4]? Bernstein postulated that the nervous system is capable of functionally “freezing” or tightly coupling joints, a hypothesis that still holds today, particularly in the study of motor learning. When examining eye movement and gaze, Donder observed a specific and fixed eye torsion for every gaze angle, and thus proposed that the nervous system may have a fixed one-to-one mapping from task variables to joint variables (i.e., Donders law). Limb movements, however, have been shown to violate this relatively simple law [28]. In more recent work, Scholz and Schöner demonstrated via repeated sit-to-stand movements that humans consistently controlled their center of mass, as opposed to task-irrelvant and highly variable hand motion [21]. Lockhar and Ting show how a task-level center-of-mass acceleration can be used to predict synergies of muscle activation in the legs of balancing cats [11]. Todorov and Jordan suggest the minimum intervention principle (motor output errors are only corrected when they interfere with task performance) [30]. The goal of this chapter is to bring to light some of the current robotics methodology in task space and redundant control, and to demonstrate their applications toward the modeling of human movement control and redundancy resolution. We first describe, primarily from the robotics point of view, the theory and methodology for representing and controlling task-space motion and forces. We show how these modeling techniques are a useful tool for probing the nervous system’s strategies for motor control, learning, and adaptation. We first introduce the notation and methodology for task-space control in robotics, including inverse kinematics and operational space control. Next, we show evidence of task space control and learning from an experiment in human reaching. We propose a controller for such a movement that exploits an internal model of task-space dynamics, while allowing the disturbance to alter redundant motion. Finally we describe and present solutions to some of the challenges of extending these models from single limbs into whole-body domains, where underactuation and external contacts must be considered.