Workspace Optimization Techniques to Improve Prediction of Human Motion During Human-Robot Collaboration
Autores: Yi-Shiuan Tung, Matthew B. Luebbers, Alessandro Roncone, Bradley Hayes · HRI 2024
Licencias
- Acceso abierto
- Artículo: not yet confirmed
Todo lo que sigue está escrito solo a partir del resumen.
Resumen
Comprender las intenciones humanas es fundamental para una colaboración humano-robot segura y eficaz. Aunque los métodos del estado del arte para la predicción de objetivos humanos utilizan modelos aprendidos para tener en cuenta la incertidumbre de los datos de movimiento humano, esos datos son intrínsecamente estocásticos y de alta varianza, lo que limita la utilidad de dichos modelos en interacciones que requieren coordinación, incluidas las tareas críticas para la seguridad o de proximidad cercana. Nuestra idea clave es que los compañeros de equipo robóticos pueden configurar deliberadamente los espacios de trabajo compartidos antes de la interacción para reducir la varianza del movimiento humano, logrando mejoras en la predicción de objetivos independientes del clasificador. En este trabajo presentamos un enfoque algorítmico para que un robot disponga objetos físicos y proyecte «obstáculos virtuales» mediante realidad aumentada en espacios de trabajo compartidos humano-robot, optimizando la legibilidad humana sobre un conjunto dado de tareas. Comparamos nuestro enfoque con otras estrategias de disposición del espacio de trabajo mediante dos estudios con participantes humanos, uno en un dominio virtual de navegación 2D y otro en un dominio real de manipulación sobre mesa con un brazo manipulador robótico. Evaluamos la precisión de los modelos de predicción del movimiento humano aprendidos en cada condición y demostramos que nuestra técnica de optimización del espacio de trabajo con obstáculos virtuales conduce a una mayor precisión de predicción del robot usando menos datos de entrenamiento.
Enlaces
- arXiv 2401.12965: https://arxiv.org/abs/2401.12965
- PDF: https://arxiv.org/pdf/2401.12965v1