2018年 麻省理工学院和汽车制造商BMW测试 人和机器人近距离工作复制工厂楼层设置时,团队搭建铁路机器人,设计成工作站间提供部件同时,工人们经常跨道到邻近站工作

机器人编程即时停止研究者发现机器人常冷冻 过度谨慎 远比人跨过路径如果实战制造环境发生,这种不必要的停顿会积聚到显著效率低下中去。

团队追踪问题 限制机器人轨迹校正算法 机器人运动预测软件使用算法无法预测人沿预测路径所花时间多长 — — 并在此例中,人需要多长时间停下来,然后翻转并再次跨过机器人路径。

MIT团队成员提出了解决办法:算法精确对齐局部实时轨迹,允许运动预测器精确预测个人运动的时序应用新算法BMW厂底实验时发现,机器人不是冷冻原位,而是滚动并安全脱身,直到人再次路过时

帮助机器人理解并监控运动中断和重叠, 这些都是人运动核心部分, Julie Shah说, 麻省理工学院航空宇航助理教授技术是我们多方法之一 机器人提高理解

Shah和她的同事, 包括项目牵头人和研究生Przemyslaw'Pem'Lasota本月将在机器人学会议:科学系统德国大会上介绍结果

聚类

为使机器人预测人类运动,研究人员通常从音乐语音处理中借用算法算法设计对齐两个完整时间序列或数组相关数据,例如音乐性能音频记录和该片音符滚动视频

研究者使用相似对齐算法同步实时和前记录人运动测量数,预测人到哪里,例如5秒后与音乐或语言不同 人运动可能混乱 高度变异即使是重复运动,例如跨表螺旋键, 人每次移动都可能略微不同

现有算法通常取流动数据,形式为点表示人随时间推移所处位置,并比较这些点的轨迹与库中常见轨迹对准给定场景算法映射轨迹 取点间相对距离

Lasota说算法预测单距离轨迹在某些常见情况下很容易混淆,例如暂时停止时,人先停步再继续走路径暂停时,表示人位置点可聚集在同一点

Lasota表示, “当你看数据时,当人停止时,有一大堆点聚在一起”。光看点间距离算准, 可能混淆, 因为它们都紧紧相联, 你并不知道你向哪个点对准

重迭轨迹-人沿相似路径回转实例Lasota表示,人当前位置可能与参考轨迹点对齐, 现有算法无法区分该位置是轨迹向外移或归回同一路径

人的位置可能距离参考点相近 Lasota表示

都时间问题

Lasota和Shah设计出偏轨算法,实时匹配人轨迹段数库前收集参考轨迹重要的是,新算法对齐距离和时间轨迹,并以此精确预测人路径中断和重叠

Lasota解释道,旧技术会说 `这是代表运动轨迹上最接近点',但既然你只在短时间里完成大部分,算法的定时部分会说 `基于定时,不可能你已经回程,因为你刚开始运动'

团队测试二人运动数据集算法:一人间跨过机器人工厂路径(这些数据取自团队用宝马实验),二人组前记录参与者手动跨表安装螺栓,机器人通过刷螺栓安全

团队算法能通过轨迹更好地估计个人进度, 相比之下两种常用偏轨对齐算法团队发现当他们整合对齐算法运动预测器时 机器人可以更精确预测人运动时间工厂楼层假想中 发现机器人不易冻住 而在人跨过路径后 立即顺利恢复任务

算法在运动预测背景下评价时,也可以用作人类机器人交互作用领域其他技术预处理步骤,如动作识别和手势检测Shah表示算法将是一个关键工具 使机器人识别并响应 人类运动和行为模式归根结底,它能帮助人和机器人在结构化环境协同工作,例如工厂环境,甚至在某些情况下甚至家庭环境。

Shah表示:「这个技术可应用到 人类展示典型行为模式的任何环境中。”关键是系统能观察 时时发生模式 以便学习人际行为都与机器人工作相联 深入理解人运动方面 以更好地和我们协作

此项研究部分由NASA空间技术研究团契和国家科学基金会资助

编辑注解 :文章经许可重发布MIT新闻.

---

文件基础:学生程序,机器人报表,机器人抓包器

---