A Human-Sensitive Controller: Adapting to Human Ergonomics and Physical Constraints via Reinforcement Learning

要約

仕事関連の筋骨格障害は、産業環境で引き続き大きな課題であり、労働力の参加の減少、医療費の増加、長期障害につながります。
この研究では、筋骨格障害の歴史を持つ個人を標準的な仕事の役割に再統合することを目的とした人間に敏感なロボットシステムを紹介し、同時により広範な労働力の人間工学的条件を最適化します。
この研究は、人間工学に基づいた状態の最適化とタスクの実行中の痛みを防ぐことに焦点を当て、共同ロボットの人間に認識された制御戦略を開発するための強化学習を活用しています。
QラーニングとディープQネットワーク（DQN）の2つのRLアプローチが実装およびテストされ、個々のユーザー特性に基づいて制御戦略をパーソナライズしました。
実験結果はシミュレーションとリアルのギャップを明らかにしましたが、微調整フェーズは、実際の条件にポリシーを正常に適合させました。
DQNは、ゼロの痛みのリスクと安全な人間工学的レベルを維持しながら、タスクをより速く完了することにより、Qラーニングを上回りました。
構造化されたテストプロトコルにより、システムの多様な人間の擬人化に対する適応性が確認され、より安全で包括的な職場を可能にするRL駆動コボットの可能性を強調しました。

要約(オリジナル)

Work-Related Musculoskeletal Disorders continue to be a major challenge in industrial environments, leading to reduced workforce participation, increased healthcare costs, and long-term disability. This study introduces a human-sensitive robotic system aimed at reintegrating individuals with a history of musculoskeletal disorders into standard job roles, while simultaneously optimizing ergonomic conditions for the broader workforce. This research leverages reinforcement learning to develop a human-aware control strategy for collaborative robots, focusing on optimizing ergonomic conditions and preventing pain during task execution. Two RL approaches, Q-Learning and Deep Q-Network (DQN), were implemented and tested to personalize control strategies based on individual user characteristics. Although experimental results revealed a simulation-to-real gap, a fine-tuning phase successfully adapted the policies to real-world conditions. DQN outperformed Q-Learning by completing tasks faster while maintaining zero pain risk and safe ergonomic levels. The structured testing protocol confirmed the system’s adaptability to diverse human anthropometries, underscoring the potential of RL-driven cobots to enable safer, more inclusive workplaces.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google