Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica# Robotica

Migliorare la sicurezza nella collaborazione tra umani e robot

Il controllo adattivo migliora il lavoro di squadra tra robot e umani nei compiti di produzione.

― 5 leggere min


Controllo adattivo neiControllo adattivo neirobot di produzionenelle attività uomo-robot.Aumentare l'efficienza e la sicurezza
Indice

In molti compiti di produzione, i robot e gli esseri umani lavorano insieme. Questo può includere attività come forare, lucidare e tagliare. Però, lavorare insieme in modo sicuro ed efficiente è importante. Quando un robot interagisce con un umano, deve sapere cosa sta cercando di fare quell'umano in ogni momento. Questa comprensione aiuta il robot ad adattare le sue azioni per supportare l'umano senza causare incidenti o ritardi.

Interazione Umano-Robot

L'interazione umano-robot (HRI) avviene quando i robot e le persone lavorano a stretto contatto. L'obiettivo principale dell'HRI è garantire che entrambe le parti possano comunicare in modo efficace e svolgere i propri compiti in sicurezza. Nella produzione, questo spesso coinvolge diverse fasi o passaggi in un compito. Ad esempio, in un compito di foratura, l'umano potrebbe prima attaccare uno strumento, poi guidarlo e infine entrare in contatto con il pezzo da lavorare.

Riconoscere queste fasi è fondamentale. Se i robot possono identificare cosa sta facendo un umano, possono adattare il loro comportamento di conseguenza. Questo porta a una collaborazione più fluida, meno sforzo da parte dell'umano e una significativa riduzione degli errori.

Il Problema con i Parametri Fissi

In molti compiti di interazione fisica umano-robot, utilizzare impostazioni fisse può portare a problemi. Ad esempio, potrebbe essere necessario un’impostazione a bassa resistenza quando un umano guida un robot. Ma quando il robot entra in contatto, potrebbe essere necessaria una resistenza più forte per la stabilità.

Se il robot non può passare efficacemente tra queste impostazioni, possono sorgere problemi. Se un robot aspetta troppo a lungo per aumentare la resistenza, potrebbe portare a movimenti imprevisti o addirittura incidenti. Al contrario, se il robot aumenta la resistenza troppo presto, può rendere il compito più difficile per l'umano.

Soluzione: Controllo adattivo

Per affrontare questi problemi, i ricercatori stanno sviluppando sistemi di controllo adattivo. Questi sistemi modificano le loro impostazioni in base a ciò che fa l'umano. Utilizzando sensori per raccogliere informazioni sui movimenti sia del robot che dell'umano, il robot può adattare la sua risposta in tempo reale.

Un controller adattivo potrebbe comportare due parti principali: una parte riconosce la fase attuale del compito e l'altra parte stima cosa intende fare l'umano successivamente. Il riconoscitore di fase identifica se l'umano sta attaccando uno strumento, guidando il robot o facendo contatto con il pezzo da lavorare. L'estimatore predice a che punto è l'umano nella fase di guida e quando farà contatto.

Progettazione Sperimentale

Per testare queste idee, sono stati progettati esperimenti utilizzando ambienti sia virtuali che reali.

Impostazione dell'Ambiente Virtuale

Nell'ambiente virtuale, i partecipanti umani utilizzavano un robot dotato di un controller che poteva adattare le sue impostazioni. Ai partecipanti è stato chiesto di svolgere compiti come forare o spingere contro una molla. L'obiettivo era vedere se il controller adattivo poteva ridurre con successo lo sforzo necessario da parte dell'umano e aumentare la stabilità durante il contatto.

L'impostazione virtuale ha permesso ai ricercatori di simulare diverse condizioni mentre raccoglievano dati sull'interazione tra umano e robot. Questo approccio ha reso più facile addestrare il sistema adattivo senza i costi e le limitazioni dei test fisici.

Applicazione nel Mondo Reale

Dopo i test in un ambiente virtuale, gli stessi sistemi sono stati implementati in compiti reali. I partecipanti foravano del compensato mentre il robot adattava le sue impostazioni in base al Feedback in tempo reale delle azioni umane. Questo passaggio dal virtuale al fisico mirava a determinare se i modelli potessero ancora funzionare efficacemente al di fuori della simulazione.

Risultati

Efficacia del Controller Adattivo

I risultati hanno mostrato che il controller adattivo ha migliorato significativamente l'efficienza dei compiti. I partecipanti hanno sperimentato il 57% in meno di sforzo mentre guidavano il robot durante la fase di foratura. Inoltre, c'è stata una riduzione del 53% nelle oscillazioni indesiderate quando il robot ha fatto contatto con il pezzo da lavorare. Questo suggerisce che il sistema adattivo ha migliorato effettivamente la sicurezza e la facilità dell'interazione.

Metriche di Prestazione

Le prestazioni del sistema sono state valutate utilizzando varie metriche. Ad esempio, l'accuratezza nel rilevare in quale fase si trovava l'umano ha raggiunto l'84%. Allo stesso modo, l'estimatore di movimento è riuscito a prevedere quanto lontano fosse l'umano nella fase di guida con un tasso di successo riflesso da un alto punteggio R-quadrato, indicando previsioni vicine ai risultati reali.

Importanza di Anticipare il Contatto

Uno dei principali insegnamenti dagli esperimenti è stata l'importanza di anticipare quando si verificherà il contatto. Riconoscendo il movimento previsto dell'umano prima di fare contatto, il robot poteva adattare le sue impostazioni di resistenza in anticipo. Questo approccio proattivo ha aiutato a evitare comportamenti imprevisti, aumentando la stabilità complessiva.

Vantaggi della Formazione Virtuale

Formare il sistema adattivo in un ambiente virtuale ha numerosi vantaggi. Permette rapide iterazioni e test senza i costi associati ai materiali fisici. Inoltre, gli ambienti virtuali possono essere facilmente regolati per testare diversi scenari, fornendo un robusto set di dati per i modelli adattivi.

Conclusione

La ricerca mette in evidenza il potenziale dei sistemi di controllo adattivo nel migliorare la collaborazione umano-robot nei compiti di produzione. Riconoscendo l'intento umano e adattandosi di conseguenza, i robot possono migliorare significativamente l'efficienza e la sicurezza dei compiti condivisi. Questo lavoro potrebbe portare a applicazioni più ampie in diversi campi, promuovendo interazioni più intuitive e sicure tra esseri umani e robot.

Direzioni Future

Guardando avanti, ci sono diverse aree per ulteriori ricerche. Un aspetto riguarda lo sviluppo di metodi migliori per rilevare l'intenzione umana in ambienti diversificati. Assicurarsi che i robot possano operare efficacemente anche in contesti imprevedibili sarà cruciale.

Un'altra direzione promettente è esplorare come perfezionare i parametri adattivi basati sull'apprendimento in tempo reale. Le tecniche di apprendimento per rinforzo potrebbero aiutare i robot a ottimizzare le loro risposte basate su interazioni passate, migliorando così la loro capacità di lavorare al fianco degli esseri umani.

In definitiva, questo studio apre la strada a nuove possibilità per la robotica nel posto di lavoro, incoraggiando innovazioni che massimizzeranno il potenziale umano riducendo al minimo i rischi.

Fonte originale

Titolo: Efficient and Safe Contact-rich pHRI via Subtask Detection and Motion Estimation using Deep Learning

Estratto: This paper proposes an adaptive admittance controller for improving efficiency and safety in physical human-robot interaction (pHRI) tasks in small-batch manufacturing that involve contact with stiff environments, such as drilling, polishing, cutting, etc. We aim to minimize human effort and task completion time while maximizing precision and stability during the contact of the machine tool attached to the robot's end-effector with the workpiece. To this end, a two-layered learning-based human intention recognition mechanism is proposed, utilizing only the kinematic and kinetic data from the robot and two force sensors. A ``subtask detector" recognizes the human intent by estimating which phase of the task is being performed, e.g., \textit{Idle}, \textit{Tool-Attachment}, \textit{Driving}, and \textit{Contact}. Simultaneously, a ``motion estimator" continuously quantifies intent more precisely during the \textit{Driving} to predict when \textit{Contact} will begin. The controller is adapted online according to the subtask while allowing early adaptation before the \textit{Contact} to maximize precision and safety and prevent potential instabilities. Three sets of pHRI experiments were performed with multiple subjects under various conditions. Spring compression experiments were performed in virtual environments to train the data-driven models and validate the proposed adaptive system, and drilling experiments were performed in the physical world to test the proposed methods' efficacy in real-life scenarios. Experimental results show subtask classification accuracy of 84\% and motion estimation R\textsuperscript{2} score of 0.96. Furthermore, 57\% lower human effort was achieved during \textit{Driving} as well as 53\% lower oscillation amplitude at \textit{Contact} as a result of the proposed system.

Autori: Pouya P. Niaz, Engin Erzin, Cagatay Basdogan

Ultimo aggiornamento: 2024-07-19 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2407.14161

Fonte PDF: https://arxiv.org/pdf/2407.14161

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili