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

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

授權條款

• 開放取用
• 論文: not yet confirmed

以下內容僅依據摘要撰寫。

摘要

理解人類的意圖，對安全且有效的人機協作至關重要。雖然最先進的人類目標預測方法利用學習模型來處理人類動作資料的不確定性，但這些資料本質上是隨機且高變異的，阻礙了這些模型在需要協調的互動中的效用，包括安全關鍵或近距離的任務。我們的關鍵洞見是，機器人隊友可以在互動之前刻意配置共用的工作範圍，以降低人類動作的變異，從而在目標預測上達成與分類器無關的改善。在這項研究中，我們提出一種演算法方法，讓機器人在人機共用的工作範圍中擺放實體物體，並以擴增實境投射「虛擬障礙物」，針對給定的一組任務最佳化人類的可讀性（legibility）。我們透過兩項人類受試者研究，將我們的方法與其他工作範圍配置策略比較，一項在虛擬的 2D 導航領域，另一項在涉及機器手臂的真實桌面操作領域。我們評估從每種條件中學習到的人類動作預測模型的準確度，證明我們搭配虛擬障礙物的工作範圍最佳化技術，能以更少的訓練資料帶來更高的機器人預測準確度。

連結

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