Quantifying Uncertainties of Contact Classifications in a Human-Robot Collaboration with Parallel Robots

要約

人間とロボットのコラボレーションでは、衝突やクランプという形で意図しない物理的接触が発生するため、反応のために個別に検出して分類する必要があります。
特定の衝突またはクランプ状況が誤って分類された場合、実際の接触ケースをより危険なものにする反応が発生する可能性があります。
この研究では、クランプ時の推定外力や実際のパラレル ロボットとの衝突分類など、物理モデル化された特徴に基づいてデータ駆動型モデリングを分析します。
フィードフォワードニューラルネットワークの予測信頼性を調査した。
分類の不確実性を定量化することで、安全な分類と信頼性の低い分類の区別や、衝突時の後退動作、クランプジョイントの構造開口、ゼロ重力モードの形式でのフォールバック反応などの最適な反応が可能になります。
この仮説は、危険な誤分類を分析し、提案された不確実性の定量化によってそれらを低減することにより、クランプと衝突の場合の実験データを使用してテストされます。
最後に、この研究のアプローチが正しく分類されたクランプと衝突のシナリオにどのような影響を与えるかを調査します。

要約(オリジナル)

In human-robot collaboration, unintentional physical contacts occur in the form of collisions and clamping, which must be detected and classified separately for a reaction. If certain collision or clamping situations are misclassified, reactions might occur that make the true contact case more dangerous. This work analyzes data-driven modeling based on physically modeled features like estimated external forces for clamping and collision classification with a real parallel robot. The prediction reliability of a feedforward neural network is investigated. Quantification of the classification uncertainty enables the distinction between safe versus unreliable classifications and optimal reactions like a retraction movement for collisions, structure opening for the clamping joint, and a fallback reaction in the form of a zero-g mode. This hypothesis is tested with experimental data of clamping and collision cases by analyzing dangerous misclassifications and then reducing them by the proposed uncertainty quantification. Finally, it is investigated how the approach of this work influences correctly classified clamping and collision scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google