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

许可协议

• 开放获取
• 论文: not yet confirmed

以下内容仅依据摘要撰写。

摘要

理解人类意图对于安全有效的人机协作至关重要。尽管最先进的人类目标预测方法利用学习模型来应对人类运动数据的不确定性，但这些数据本质上是随机的、方差很高，这妨碍了这些模型在需要协调的交互中的效用，包括安全关键或近距离的任务。我们的关键洞见是，机器人队友可以在交互之前有意地配置共享工作空间，以减少人类运动的方差，从而在目标预测上实现与分类器无关的改进。在这项工作中，我们提出一种算法方法，使机器人能够在共享的人机工作空间中摆放实体物体，并利用增强现实投射“虚拟障碍物”，针对给定的一组任务优化人类的可读性（legibility）。我们通过两项人类受试者研究，把我们的方法与其他工作空间布置策略进行比较，一项在虚拟 2D 导航领域，另一项在涉及机械臂的真实桌面操作领域。我们评估了从每种条件中学习到的人类运动预测模型的准确率，表明我们带有虚拟障碍物的工作空间优化技术能够用更少的训练数据带来更高的机器人预测准确率。

链接

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