Fortschritte in der Vorhersage menschlicher Bewegungen für Roboter

In den letzten Jahren hat die Nutzung von autonomen Robotern rasant zugenommen, besonders in Bereichen wie Logistik, Transport und Gesundheitswesen. Eine wichtige Anforderung für diese Roboter ist, dass sie sich sicher in der Nähe von Menschen bewegen können. Das bedeutet, sie müssen menschliche Bewegungen genau erkennen und vorhersagen können. Diese Fähigkeit ist entscheidend, nicht nur um Kollisionen zu vermeiden, sondern auch um zu verstehen, was Menschen als Nächstes wahrscheinlich tun werden.

Es gibt verschiedene Systeme zur Vorhersage menschlicher Bewegungen. Einige Ansätze ignorieren die Umgebung, während andere den Kontext berücksichtigen, in dem der Roboter arbeitet. Zum Beispiel kann es einen Unterschied machen, ob ein Roboter in einem belebten Geschäft oder in einem ruhigen Lager ist, wenn es darum geht, menschliches Verhalten vorherzusagen. Kontextsensitive Systeme schneiden in der Regel besser ab, da sie die vielen Arten berücksichtigen können, wie Menschen miteinander und mit Objekten in ihrer Umgebung interagieren.

Um zu verbessern, wie Roboter menschliche Bewegungen verstehen, haben wir ein neues System namens NeuROSym entwickelt. Dieses System nutzt moderne Technologie, die traditionelle Regeln mit modernen neuronalen Netzwerken kombiniert. Das Ziel von neuROSym ist es, Robotern zu helfen, menschliche Bewegungen genauer und in Echtzeit vorherzusagen, wenn sie in realen Einsatzszenarien eingesetzt werden.

#Hintergrund

Die aktuellen Methoden zur Vorhersage menschlicher Bewegungen können in zwei Hauptkategorien unterteilt werden: solche, die den Kontext nicht berücksichtigen, und solche, die es tun. Innerhalb dieser Kategorien gibt es verschiedene Ansätze. Einige Systeme stützen sich auf numerische Daten und physikalische Modelle, während andere einfachere, verständlichere Darstellungen von Bewegungen verwenden.

Eine effektive Methode ist der Qualitative Trajectory Calculus (QTC), der darstellt, wie Menschen oder Objekte relativ zueinander bewegen, indem er leicht verständliche Symbole verwendet. Dieser Ansatz ist vorteilhaft, weil er die Komplexität von Bewegungen vereinfacht und gleichzeitig wichtige Informationen darüber behält, wie Akteure miteinander interagieren.

In unserer vorherigen Arbeit haben wir das NeuroSyM-Modell entwickelt, das sowohl menschliche Bewegungsdaten aus neuronalen Netzwerken als auch symbolisches Wissen kombiniert, um die Leistung zu verbessern. Wir haben festgestellt, dass diese Kombination besser abschnitt als Systeme, die ausschliesslich auf neuronalen Netzwerken basierten, in experimentellen Tests.

Allerdings konzentriert sich ein Grossteil der bestehenden Forschung darauf, Modelle mit vorab aufgezeichneten Daten zu testen, anstatt in Echtzeitsituationen. Um diese Lücke zu schliessen, haben wir das neuROSym-Paket erstellt, das praktischere Anwendungen dieser Theorien ermöglicht.

#neuROSym-Paket

Das neuROSym-Paket ist für Roboter in Echtzeitszenarien konzipiert. Es besteht aus drei Hauptkomponenten:

1. Inference Model Node: Dieser Teil ist dafür zuständig, menschliche Bewegungen basierend auf Eingabedaten vorherzusagen. Er analysiert die Bewegungen von Personen um den Roboter herum und nutzt diese Einsichten, um vorherzusagen, was sie als Nächstes tun werden. Er liefert auch Daten zur Leistungsbewertung.

2. Data Visualization and Analytics Node: Dieses Modul läuft gleichzeitig mit dem Inferenzmodell und visualisiert Bewegungen sowie berechnet Leistungskennzahlen. Es hilft den Nutzern zu sehen, wie gut der Roboter Bewegungen in Echtzeit vorhersagt.

3. Data Post-Processing Node: Wenn das Tracking-System irgendeine Erkennung verpasst, korrigiert dieses Modul die Fehler. Das sorgt dafür, dass der Roboter Personen konstant nachverfolgen kann, selbst wenn einige Bewegungen aufgrund von verdeckten Sichtlinien oder anderen Tracking-Herausforderungen verloren gehen.

Jede dieser Komponenten arbeitet zusammen, damit der Roboter nicht nur vorhersagen kann, wohin eine Person gehen wird, sondern auch seine Vorhersagen basierend auf den laufenden Bewegungen in seiner Umgebung anpassen kann.

#Anwendung und Tests

Um die Funktionalität von neuROSym zu testen, haben wir einen TIAGo-Roboter mit fortschrittlichen Sensoren ausgestattet. Dieser Roboter wurde in einer kontrollierten Umgebung platziert, in der er die Bewegungen von zwei Personen über einen Zeitraum von zwei Minuten überwachen konnte. Ziel war es, die Leistung von neuROSym unter unterschiedlichen menschlichen Bewegungsmustern zu bewerten.

Wir haben zwei Hauptarten von Experimenten durchgeführt:

1. Szenario A: Parallelbewegung: In diesem Szenario gingen beide Personen parallel zueinander. Das Vorhersagesystem des Roboters musste dieses einfache Bewegungsmuster erkennen und sich anpassen, was oft in öffentlichen Räumen zu sehen ist.

2. Szenario B: Überkreuzende Wege: In diesem komplexeren Szenario kreuzten sich die Wege der beiden Personen. Hier stand der Roboter vor einer grösseren Herausforderung, da er unvorhersehbarere Bewegungen vorhersagen und potenzielle Kollisionen vermeiden musste.

Während beider Experimente sammelten wir Daten darüber, wie genau der Roboter die Wege der Personen vorhersagte und wie schnell er diese Informationen verarbeiten konnte. Die Ergebnisse ermöglichten es uns, die Leistung des neuROSym-Modells mit einem Basislinienmodell, SGAN, zu vergleichen, das nicht denselben symbolischen Ansatz verwendet.

#Ergebnisse

Die Ergebnisse beider Experimente zeigten, dass das neuROSym-Modell genauer war in der Vorhersage menschlicher Bewegungen im Vergleich zum SGAN-Basislinienmodell. Insbesondere waren die durchschnittlichen Verschiebungsfehler (der Abstand zu den tatsächlichen Wegen) geringer, wenn das neuROSym-System verwendet wurde. Das zeigt, dass der Roboter menschliche Handlungen in beiden Testszenarien effektiver voraussehen konnte.

Was die Geschwindigkeit betrifft, so benötigte das neuROSym-Modell etwas länger für Vorhersagen als das SGAN-Basislinienmodell. Der Kompromiss war jedoch lohnenswert, da neuROSym deutlich genauere Ergebnisse lieferte. Mit einigen Verbesserungen im Code und in der Ausführungsgeschwindigkeit könnte es noch besser für den Echtzeiteinsatz innerhalb von Roboter-Systemen geeignet werden.

#Diskussion

Diese Ergebnisse heben die Bedeutung des Kontexts bei der Vorhersage menschlicher Bewegungen hervor. Durch die Einbeziehung qualitativen Wissens über Bewegungen verbessert neuROSym die Fähigkeit des Roboters, sicher mit Menschen zu navigieren und zu interagieren. Auch wenn es etwas länger dauert, Vorhersagen zu verarbeiten, rechtfertigen die Verbesserungen in der Genauigkeit diese Verzögerung, besonders in komplexen Umgebungen.

Da Roboter immer mehr in das tägliche Leben integriert werden, wird der Bedarf an zuverlässigen und effektiven Bewegungsvorhersagesystemen nur wachsen. Die Fähigkeit, menschliche Handlungen zu verstehen und vorherzusehen, wird das Vertrauen und die Sicherheit der Nutzer erhöhen, wodurch solche Technologien in verschiedenen Branchen attraktiver werden.

#Zukunftsarbeit

Es gibt noch viel zu tun, um das neuROSym-Modell zu verbessern. Zukünftige Forschungen werden sich darauf konzentrieren, es in einer breiteren Palette von Szenarien zu testen. Dazu gehören kompliziertere Bewegungsmuster, grössere Gruppen von Menschen und unterschiedliche Umweltbedingungen. Wir planen auch, verschiedene Arten von Tracking-Systemen zu erkunden, um zu sehen, wie sie die Zuverlässigkeit der Vorhersagen erhöhen können.

Durch die Erweiterung der Evaluierung von neuROSym wollen wir sicherstellen, dass es die unterschiedlichen Situationen bewältigen kann, denen ein Roboter in realen Anwendungen begegnen kann. Das ultimative Ziel ist es, diese Technologie weiter zu verbessern, sodass Roboter sicher und effizient neben Menschen in alltäglichen Umgebungen arbeiten können.