Improving safety in physical human-robot collaboration via deep metric learning

要約

柔軟な生産シナリオでは、ロボットとの直接的な物理的相互作用がますます重要になっていますが、保護フェンスのないロボットもオペレーターに大きなリスクをもたらします。
リスクの可能性を低く抑えるために、物理的な接触がある場合や安全な距離に違反した場合にロボットを停止するなど、比較的簡単な操作方法が規定されています。
この方法で人的被害を大幅に回避できますが、そのようなソリューションはすべて、人間とロボットの間の実際の協力はほとんど不可能であり、そのため、そのようなシステムを使用する利点を最大限に発揮できないという共通点があります。
人間とロボットのコラボレーションのシナリオでは、ロボットの動作をオペレーターや現在の状況に適応させることを可能にする、より高度なソリューションが必要です。
最も重要なことは、ロボットが自由に移動している間は、意味のある相互作用のために物理的な接触を許可する必要があり、衝突として認識されないようにすることです。
ただし、ここに将来のシステムの重要な課題があります。それは、ロボットの固有受容と機械学習アルゴリズムを使用して人間の接触を検出することです。
この作業では、Deep Metric Learning (DML) アプローチを使用して、非接触ロボットの動き、物理的な人間とロボットの相互作用を目的とした意図的な接触、および衝突状況を区別します。
達成された結果は有望であり、DML が 98.6\% の精度を達成することを示しています。これは、既存の標準 (つまり、DML なしでトレーニングされた深層学習ネットワーク) よりも 4\% 高い値です。
また、ターゲット ロボットのデータを使用してモデルを再トレーニングする必要なく、接触を検出 (非接触と意図的または偶発的な接触を区別) することにより、他のロボット (ターゲット ロボット) への移植性を容易にするための有望な一般化機能も示しています。

要約(オリジナル)

Direct physical interaction with robots is becoming increasingly important in flexible production scenarios, but robots without protective fences also pose a greater risk to the operator. In order to keep the risk potential low, relatively simple measures are prescribed for operation, such as stopping the robot if there is physical contact or if a safety distance is violated. Although human injuries can be largely avoided in this way, all such solutions have in common that real cooperation between humans and robots is hardly possible and therefore the advantages of working with such systems cannot develop its full potential. In human-robot collaboration scenarios, more sophisticated solutions are required that make it possible to adapt the robot’s behavior to the operator and/or the current situation. Most importantly, during free robot movement, physical contact must be allowed for meaningful interaction and not recognized as a collision. However, here lies a key challenge for future systems: detecting human contact by using robot proprioception and machine learning algorithms. This work uses the Deep Metric Learning (DML) approach to distinguish between non-contact robot movement, intentional contact aimed at physical human-robot interaction, and collision situations. The achieved results are promising and show show that DML achieves 98.6\% accuracy, which is 4\% higher than the existing standards (i.e. a deep learning network trained without DML). It also indicates a promising generalization capability for easy portability to other robots (target robots) by detecting contact (distinguishing between contactless and intentional or accidental contact) without having to retrain the model with target robot data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google