With requirements to improve life quality, smart homes, and healthcare have gradually become a future lifestyle. In particular, service robots with human behavioral sensing for private or personal use in the home have attracted a lot of research attention thanks to their advantages in relieving high labor costs and the fatigue of human assistance. In this paper, a novel force-sensing- and robotic learning algorithm-based teaching interface for robot massaging has been proposed. For the teaching purposes, a human operator physically holds the end-effector of the robot to perform the demonstration. At this stage, the end position data are outputted and sent to be segmented via the Finite Difference (FD) method. A Dynamic Movement Primitive (DMP) is utilized to model and generalize the human-like movements. In order to learn from multiple demonstrations, Dynamic Time Warping (DTW) is used for the preprocessing of the data recorded on the robot platform, and a Gaussian Mixture Model (GMM) is employed for the evaluation of DMP to generate multiple patterns after the completion of the teaching process. After that, a Gaussian Mixture Regression (GMR) algorithm is applied to generate a synthesized trajectory to minimize position errors. Then a hybrid position/force controller is integrated to track the desired trajectory in the task space while considering the safety of human-robot interaction. The validation of our proposed method has been performed and proved by conducting massage tasks on a KUKA LBR iiwa robot platform.

中文翻译：

---

使用力感测和动态运动原语的智能家居增强型机器人按摩系统。

随着人们生活质量的提高，智能家居和医疗保健已逐渐成为未来的生活方式。尤其是，具有人类行为感应功能的服务型机器人在家庭中用于私人或个人用途，由于其在减轻高昂的人工成本和减轻人工帮助方面的优势而备受关注。本文提出了一种新颖的基于力传感和机器人学习算法的机器人按摩教学界面。出于教学目的，操作员物理上握住机器人的末端执行器进行演示。在此阶段，通过有限差分（FD）方法输出并发送终点位置数据以进行分段。动态运动原语（DMP）用于模拟和概括类人运动。为了从多次演示中学习，动态时间规整（DTW）用于预处理机器人平台上记录的数据，高斯混合模型（GMM）用于评估DMP，在完成后生成多个模式教学过程。之后，应用高斯混合回归（GMR）算法生成合成轨迹，以最大程度地减少位置误差。然后集成一个混合位置/力控制器，以在考虑人机交互的安全性的同时跟踪任务空间中的期望轨迹。通过在KUKA LBR iiwa机器人平台上执行按摩任务，已经对我们提出的方法进行了验证。教学过程完成后，采用高斯混合模型（GMM）评估DMP，以生成多种模式。之后，应用高斯混合回归（GMR）算法生成合成轨迹，以最大程度地减少位置误差。然后集成混合位置/力控制器，以在考虑人机交互的安全性的同时跟踪任务空间中的期望轨迹。通过在KUKA LBR iiwa机器人平台上执行按摩任务，已经对我们提出的方法进行了验证。教学过程完成后，采用高斯混合模型（GMM）评估DMP，以生成多种模式。之后，应用高斯混合回归（GMR）算法生成合成轨迹，以最大程度地减少位置误差。然后集成一个混合位置/力控制器，以在考虑人机交互的安全性的同时跟踪任务空间中的期望轨迹。通过在KUKA LBR iiwa机器人平台上执行按摩任务，已经对我们提出的方法进行了验证。然后集成一个混合位置/力控制器，以在考虑人机交互的安全性的同时跟踪任务空间中的期望轨迹。通过在KUKA LBR iiwa机器人平台上执行按摩任务，已经对我们提出的方法进行了验证。然后集成一个混合位置/力控制器，以在考虑人机交互的安全性的同时跟踪任务空间中的期望轨迹。通过在KUKA LBR iiwa机器人平台上执行按摩任务，已经对我们提出的方法进行了验证。