Workspace Optimization Techniques to Improve Prediction of Human Motion During Human-Robot Collaboration

Autoren: Yi-Shiuan Tung, Matthew B. Luebbers, Alessandro Roncone, Bradley Hayes · HRI 2024

Lizenzen

• Open Access
• Paper: not yet confirmed

Alles Folgende beruht nur auf dem Abstract.

Zusammenfassung

Menschliche Absichten zu verstehen, ist für eine sichere und effektive Mensch-Roboter-Zusammenarbeit entscheidend. Während Methoden auf dem Stand der Technik zur Vorhersage menschlicher Ziele gelernte Modelle nutzen, um die Unsicherheit menschlicher Bewegungsdaten zu berücksichtigen, sind diese Daten von Natur aus stochastisch und von hoher Varianz, was den Nutzen dieser Modelle für Interaktionen einschränkt, die Koordination erfordern, darunter sicherheitskritische Aufgaben oder Aufgaben in großer Nähe. Unsere zentrale Erkenntnis ist, dass Roboter als Teammitglieder gemeinsame Arbeitsbereiche vor der Interaktion gezielt gestalten können, um die Varianz menschlicher Bewegungen zu verringern, und so klassifikatorunabhängige Verbesserungen bei der Zielvorhersage erreichen. In dieser Arbeit stellen wir einen algorithmischen Ansatz vor, mit dem ein Roboter in gemeinsamen Mensch-Roboter-Arbeitsbereichen physische Objekte anordnet und mithilfe von Augmented Reality „virtuelle Hindernisse“ projiziert, wobei die Lesbarkeit (legibility) für den Menschen über eine gegebene Menge von Aufgaben optimiert wird. Wir vergleichen unseren Ansatz mit anderen Strategien zur Anordnung des Arbeitsbereichs anhand zweier Studien mit menschlichen Probanden, eine in einer virtuellen 2D-Navigationsdomäne und die andere in einer realen Domäne der Tischmanipulation mit einem Robotermanipulatorarm. Wir evaluieren die Genauigkeit der Modelle zur Vorhersage menschlicher Bewegungen, die aus jeder Bedingung gelernt wurden, und zeigen, dass unsere Technik zur Arbeitsbereichsoptimierung mit virtuellen Hindernissen mit weniger Trainingsdaten zu einer höheren Vorhersagegenauigkeit des Roboters führt.

Links

• arXiv 2401.12965: https://arxiv.org/abs/2401.12965
• PDF: https://arxiv.org/pdf/2401.12965v1