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

要約

タイトル：深層メトリック学習による物理的人間-ロボット協働の安全性向上

要約：

– ロボットとの直接的な物理的相互作用は、柔軟な生産シナリオにおいてますます重要になっていますが、防護柵のないロボットはオペレーターにとってより高いリスクをもたらします。
– リスクポテンシャルを低く保つために、物理的接触がある場合や安全距離が違反された場合には、ロボットを停止するなどの比較的簡単な措置が命じられています。
– 人間とロボットの共同作業シナリオでは、オペレーターや現在の状況に応じて、ロボットの行動を適応させることができるより洗練された解決策が必要です。
– 特に、自由なロボット移動中に物理的接触を許可し、衝突として認識されないようにする必要があります。そして、ここには将来のシステムの鍵となる課題があります。つまり、ロボットプロプリオセプションと機械学習アルゴリズムを用いて人間の接触を検出することです。
– 本研究は、深層メトリック学習（DML）アプローチを使用して、非接触ロボット移動、物理的人間-ロボット相互作用を目的とした意図的な接触、および衝突状況の区別をつけることに成功しました。
– 本研究の結果は、DMLが98.6％の精度を達成し、既存の基準（すなわちDMLなしで訓練されたディープラーニングネットワーク）より4％高いことを示しており、簡易的な移植性のための有望な汎化能力を示しています（モデルを再学習せずに、想定ロボットのデータに基づいて接触を検出し、非接触または意図的または偶発的な接触を区別する）。

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, OpenAI