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

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

Licenze

• Open access
• Articolo: not yet confirmed

Tutto ciò che segue è scritto solo a partire dall'abstract.

Abstract

Comprendere le intenzioni umane è fondamentale per una collaborazione uomo-robot sicura ed efficace. Sebbene i metodi allo stato dell'arte per la previsione degli obiettivi umani utilizzino modelli appresi per tenere conto dell'incertezza dei dati di movimento umano, tali dati sono intrinsecamente stocastici e ad alta varianza, il che ostacola l'utilità di quei modelli nelle interazioni che richiedono coordinamento, compresi i compiti critici per la sicurezza o a stretta vicinanza. La nostra intuizione chiave è che i compagni di squadra robotici possono configurare deliberatamente gli aree di lavoro condivise prima dell'interazione per ridurre la varianza del movimento umano, ottenendo miglioramenti nella previsione degli obiettivi indipendenti dal classificatore. In questo lavoro presentiamo un approccio algoritmico con cui un robot dispone oggetti fisici e proietta «ostacoli virtuali» tramite realtà aumentata in aree di lavoro condivise uomo-robot, ottimizzando la leggibilità per l'essere umano su un dato insieme di compiti. Confrontiamo il nostro approccio con altre strategie di disposizione dell'area di lavoro tramite due studi con soggetti umani, uno in un dominio virtuale di navigazione 2D e l'altro in un dominio reale di manipolazione su tavolo con un braccio robotico manipolatore. Valutiamo l'accuratezza dei modelli di previsione del movimento umano appresi in ciascuna condizione, dimostrando che la nostra tecnica di ottimizzazione dell'area di lavoro con ostacoli virtuali porta a una maggiore accuratezza di previsione del robot usando meno dati di addestramento.

Link

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