Workspace Optimization Techniques to Improve Prediction of Human Motion During Human-Robot Collaboration

要約

人間とロボットの安全かつ効果的なコラボレーションには、人間の意図を理解することが重要です。
人間の目標を予測するための最先端の方法では、学習されたモデルを利用して人間の動作データの不確実性を考慮していますが、そのデータは本質的に確率的で分散が大きいため、安全性が重要な場合や近接した場合など、調整が必要なインタラクションに対するこれらのモデルの有用性が妨げられます。
タスク。
私たちの重要な洞察は、ロボットのチームメイトが対話の前に共有ワークスペースを意図的に構成して人間の動作のばらつきを減らし、分類器に依存しない目標予測の改善を実現できるということです。
この研究では、ロボットが物理的なオブジェクトを配置し、人間とロボットの共有ワークスペースで拡張現実を使用して「仮想障害物」を投影し、特定の一連のタスクに対する人間の可読性を最適化するためのアルゴリズム アプローチを紹介します。
私たちは、人間を対象とした 2 つの研究 (仮想 2D ナビゲーション ドメインでの研究と、ロボット マニピュレータ アームを含むライブ卓上操作ドメインでの研究) を使用して、私たちのアプローチを他のワークスペース配置戦略と比較します。
各条件から学習した人間の動作予測モデルの精度を評価し、仮想障害物を使用したワークスペース最適化手法により、少ないトレーニング データでロボットの予測精度が向上することを実証しました。

要約(オリジナル)

Understanding human intentions is critical for safe and effective human-robot collaboration. While state of the art methods for human goal prediction utilize learned models to account for the uncertainty of human motion data, that data is inherently stochastic and high variance, hindering those models’ utility for interactions requiring coordination, including safety-critical or close-proximity tasks. Our key insight is that robot teammates can deliberately configure shared workspaces prior to interaction in order to reduce the variance in human motion, realizing classifier-agnostic improvements in goal prediction. In this work, we present an algorithmic approach for a robot to arrange physical objects and project ‘virtual obstacles’ using augmented reality in shared human-robot workspaces, optimizing for human legibility over a given set of tasks. We compare our approach against other workspace arrangement strategies using two human-subjects studies, one in a virtual 2D navigation domain and the other in a live tabletop manipulation domain involving a robotic manipulator arm. We evaluate the accuracy of human motion prediction models learned from each condition, demonstrating that our workspace optimization technique with virtual obstacles leads to higher robot prediction accuracy using less training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google