Task Adaptation in Industrial Human-Robot Interaction: Leveraging Riemannian Motion Policies

要約

現実の産業環境では、現代のロボットは多くの場合、重要な意思決定や個々のタスクからのミッションの統合を人間のオペレーターに依存しています。
人間とロボットの間の効果的かつ安全なコラボレーションには、人間の意図に基づいてロボットの動作を調整し、動的なタスクの計画と適応を可能にするシステムが必要です。
産業用途のニーズに応えて、私たちは、(i) ロボットの動作を手動で制御する必要性を排除するモーション制御フレームワークを提案します。
(ii) 複雑なタスクの策定と組み合わせを容易にします。
(iii) 人間の意図認識とロボットの動作計画をシームレスに統合できます。
この目的のために、リーマン運動ポリシーによって具体化された、タスクのパラメータ化と運動生成のためのモジュール式で純粋に反応的なアプローチを活用します。
私たちの方法の有効性は、現実的な産業用人間とロボットのインタラクションに触発された実験シナリオで、\remove{最先端のアプローチ}\add{代表的な最先端のアプローチ}と実証、評価され、比較されます。
設定。

要約(オリジナル)

In real-world industrial environments, modern robots often rely on human operators for crucial decision-making and mission synthesis from individual tasks. Effective and safe collaboration between humans and robots requires systems that can adjust their motion based on human intentions, enabling dynamic task planning and adaptation. Addressing the needs of industrial applications, we propose a motion control framework that (i) removes the need for manual control of the robot’s movement; (ii) facilitates the formulation and combination of complex tasks; and (iii) allows the seamless integration of human intent recognition and robot motion planning. For this purpose, we leverage a modular and purely reactive approach for task parametrization and motion generation, embodied by Riemannian Motion Policies. The effectiveness of our method is demonstrated, evaluated, and compared to \remove{state-of-the-art approaches}\add{a representative state-of-the-art approach} in experimental scenarios inspired by realistic industrial Human-Robot Interaction settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google