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

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

Licences

• Accès libre
• Article: not yet confirmed

Tout ce qui suit est rédigé à partir du seul résumé.

Résumé

Comprendre les intentions humaines est essentiel pour une collaboration humain-robot sûre et efficace. Alors que les méthodes à l'état de l'art de prédiction des objectifs humains utilisent des modèles appris pour tenir compte de l'incertitude des données de mouvement humain, ces données sont intrinsèquement stochastiques et de forte variance, ce qui limite l'utilité de ces modèles pour les interactions nécessitant une coordination, y compris les tâches critiques pour la sécurité ou en grande proximité. Notre idée clé est que les robots coéquipiers peuvent configurer délibérément les espaces de travail partagés avant l'interaction afin de réduire la variance du mouvement humain, ce qui apporte des améliorations de la prédiction des objectifs indépendantes du classifieur. Dans ce travail, nous présentons une approche algorithmique permettant à un robot de disposer des objets physiques et de projeter des « obstacles virtuels » au moyen de la réalité augmentée dans des espaces de travail partagés humain-robot, en optimisant la lisibilité (legibility) pour l'humain sur un ensemble de tâches donné. Nous comparons notre approche à d'autres stratégies d'agencement de l'espace de travail au moyen de deux études avec des sujets humains, l'une dans un domaine de navigation virtuelle en 2D et l'autre dans un domaine réel de manipulation sur table impliquant un bras manipulateur robotique. Nous évaluons la précision des modèles de prédiction du mouvement humain appris dans chaque condition, et montrons que notre technique d'optimisation de l'espace de travail avec obstacles virtuels conduit à une meilleure précision de prédiction du robot avec moins de données d'entraînement.

Liens

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