Relevance for Human Robot Collaboration

要約

効果的な人間とロボットのコラボレーション (HRC) には、ロボットが人間のような知能を備えていることが必要です。
この論文は、複雑な環境で要素を選択的に処理およびフィルタリングする人間の認知能力に触発され、「関連性」と呼ばれる新しい概念とシーン理解アプローチを紹介します。
シーン内の関連コンポーネントを識別します。
関連性を正確かつ効率的に定量化するために、構造化されたシーン表現に基づいて構築された確率的手法とともに、関連性の判定を選択的にトリガーするイベントベースのフレームワークを開発しました。
シミュレーション結果は、関連性フレームワークと方法論が一般的な HRC 設定の関連性を正確に予測し、精度 0.99 と再現率 0.94 を達成していることを示しています。
関連性は HRC のいくつかの領域に幅広く適用でき、シリアルタスクの純粋な計画と比較してタスク計画時間を 79.56% 改善し、物体検出器の知覚待ち時間を最大 26.53% 削減し、HRC の安全性を最大 13.50% 改善し、
HRC への問い合わせ数は 80.84% 増加しました。
実際のデモンストレーションでは、人間の日常業務をインテリジェントに支援する関連性フレームワークの機能を紹介します。

要約(オリジナル)

Effective human-robot collaboration (HRC) requires the robots to possess human-like intelligence. Inspired by the human’s cognitive ability to selectively process and filter elements in complex environments, this paper introduces a novel concept and scene-understanding approach termed `relevance.’ It identifies relevant components in a scene. To accurately and efficiently quantify relevance, we developed an event-based framework that selectively triggers relevance determination, along with a probabilistic methodology built on a structured scene representation. Simulation results demonstrate that the relevance framework and methodology accurately predict the relevance of a general HRC setup, achieving a precision of 0.99 and a recall of 0.94. Relevance can be broadly applied to several areas in HRC to improve task planning time by 79.56% compared with pure planning for a cereal task, reduce perception latency by up to 26.53% for an object detector, improve HRC safety by up to 13.50% and reduce the number of inquiries for HRC by 80.84%. A real-world demonstration showcases the relevance framework’s ability to intelligently assist humans in everyday tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google