Learning and planning for optimal synergistic human-robot coordination in manufacturing contexts

要約

共同ロボットセルは、不均一なエージェントを活用して、アジャイル生産ソリューションを提供します。
ロボットと一緒に作業する人間のオペレーターの非効率性とリスクを防ぐためには、効果的な調整が不可欠です。
このホワイトペーパーでは、タスク計画の段階から始まる効率と安全性を最適化するための混合整数非線形プログラミングに基づいて、人間に認識されたタスクの割り当ておよびスケジューリングモデルを提案します。
このアプローチは、ロボットエージェントに課される安全上の制約から生じるエージェントによって並行して実行されたタスクのペア間の結合効果をコードする相乗効果を活用します。
これらの用語は、ベイジアンの推定を使用して以前の実行から学習されます。
相乗係数の事後確率分布の推論は、マルコフチェーンモンテカルロ法を使用して実行されます。
この相乗効果は、オペレーターの存在の効果に従って計画の名目期間を適応させることにより、タスク計画を強化します。
シミュレーションと実験結果は、提案された方法により、人間に認識されたタスク計画が改善され、エージェント間の不使用の干渉が減少し、人間とロボットの距離が増加し、プロセス実行時間が18％減少したことが示されています。

要約(オリジナル)

Collaborative robotics cells leverage heterogeneous agents to provide agile production solutions. Effective coordination is essential to prevent inefficiencies and risks for human operators working alongside robots. This paper proposes a human-aware task allocation and scheduling model based on Mixed Integer Nonlinear Programming to optimize efficiency and safety starting from task planning stages. The approach exploits synergies that encode the coupling effects between pairs of tasks executed in parallel by the agents, arising from the safety constraints imposed on robot agents. These terms are learned from previous executions using a Bayesian estimation; the inference of the posterior probability distribution of the synergy coefficients is performed using the Markov Chain Monte Carlo method. The synergy enhances task planning by adapting the nominal duration of the plan according to the effect of the operator’s presence. Simulations and experimental results demonstrate that the proposed method produces improved human-aware task plans, reducing unuseful interference between agents, increasing human-robot distance, and achieving up to an 18\% reduction in process execution time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google