• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Algoritmen talar om för robotar vart närliggande människor är på väg

    Kredit:CC0 Public Domain

    År 2018, forskare vid MIT och biltillverkaren BMW testade sätt på vilka människor och robotar kan arbeta i nära anslutning till att montera bildelar. I en kopia av en fabriksmiljö, teamet riggade upp en robot på räls, designad för att leverera delar mellan arbetsstationer. Under tiden, mänskliga arbetare korsade dess väg då och då för att arbeta på närliggande stationer.

    Roboten var programmerad att stanna tillfälligt om en person passerade. Men forskarna märkte att roboten ofta fryser på plats, överdrivet försiktig, långt innan en person hade korsat dess väg. Om detta skedde i en verklig tillverkningsmiljö, sådana onödiga pauser kan ackumuleras till betydande ineffektivitet.

    Teamet spårade problemet till en begränsning i robotens algoritmer för bananpassning som används av robotens rörelseförutsägande programvara. Även om de rimligen kunde förutsäga vart en person var på väg, på grund av den dåliga tidsanpassningen kunde algoritmerna inte förutse hur lång tid den personen tillbringade någon gång längs sin förutspådda väg – och i det här fallet, hur lång tid det skulle ta för en person att sluta, dubbla sedan tillbaka och korsa robotens väg igen.

    Nu, medlemmar i samma MIT-team har kommit fram till en lösning:en algoritm som exakt anpassar partiella banor i realtid, tillåter rörelseprediktorer att exakt förutse tidpunkten för en persons rörelse. När de tillämpade den nya algoritmen på BMW:s fabriksgolvsexperiment, de fann att, istället för att frysa på plats, roboten rullade helt enkelt på och var säkert ur vägen när personen gick förbi igen.

    "Denna algoritm bygger in komponenter som hjälper en robot att förstå och övervaka stopp och överlappningar i rörelse, som är en central del av mänsklig rörelse, " säger Julie Shah, docent i flygteknik och astronautik vid MIT. "Denna teknik är ett av många sätt vi arbetar med robotar som bättre förstår människor."

    Shah och hennes kollegor, inklusive projektledare och doktorand Przemyslaw "Pem" Lasota, kommer att presentera sina resultat denna månad på Robotics:Science and Systems-konferensen i Tyskland.

    För att göra det möjligt för robotar att förutsäga mänskliga rörelser, forskare lånar vanligtvis algoritmer från musik och talbehandling. Dessa algoritmer är designade för att anpassa två kompletta tidsserier, eller uppsättningar av relaterade data, till exempel ett ljudspår från ett musikframträdande och en rullande video med det styckets musikaliska notation.

    Forskare har använt liknande inriktningsalgoritmer för att synkronisera realtidsmätningar och tidigare inspelade mätningar av mänsklig rörelse, att förutsäga var en person kommer att vara, säga, fem sekunder från nu. Men till skillnad från musik eller tal, mänsklig rörelse kan vara rörig och mycket varierande. Även för repetitiva rörelser, som att sträcka sig över ett bord för att skruva i en bult, en person kan röra sig något annorlunda varje gång.

    Befintliga algoritmer tar vanligtvis in strömmande rörelsedata, i form av punkter som representerar en persons position över tiden, och jämför banan för dessa prickar med ett bibliotek med vanliga banor för det givna scenariot. En algoritm kartlägger en bana i termer av det relativa avståndet mellan punkter.

    Men Lasota säger att algoritmer som förutsäger banor baserat på enbart avstånd lätt kan bli förvirrade i vissa vanliga situationer, som tillfälliga stopp, där en person pausar innan han fortsätter på sin väg. Under paus, prickar som representerar personens position kan samlas på samma plats.

    Kredit:Massachusetts Institute of Technology

    "När du tittar på uppgifterna, du har en hel massa poäng samlade när en person stoppas, " säger Lasota. "Om du bara tittar på avståndet mellan punkter som ditt inriktningsmått, det kan vara förvirrande, eftersom de alla är nära varandra, och du har inte en bra uppfattning om vilken punkt du måste anpassa dig till."

    Detsamma gäller överlappande banor - exempel när en person rör sig fram och tillbaka på en liknande väg. Lasota säger att medan en persons nuvarande position kan stämma med en prick på en referensbana, befintliga algoritmer kan inte skilja på om den positionen är en del av en bana som är på väg bort, eller kommer tillbaka längs samma väg.

    "Du kan ha punkter nära varandra när det gäller avstånd, men tidsmässigt, en persons position kan faktiskt vara långt ifrån en referenspunkt, " säger Lasota.

    Allt ligger i timingen

    Som en lösning, Lasota och Shah utarbetade en "partiell bana"-algoritm som anpassar segment av en persons bana i realtid med ett bibliotek av tidigare insamlade referensbanor. Viktigt, den nya algoritmen justerar banor i både avstånd och timing, och därigenom, kan exakt förutse stopp och överlappningar i en persons väg.

    "Säg att du har utfört så mycket av en rörelse, " Lasota förklarar. "Gamla tekniker kommer att säga, "det här är den närmaste punkten på den här representativa banan för den rörelsen." Men eftersom du bara slutförde så mycket av det på kort tid, timing delen av algoritmen kommer att säga, "baserat på tidpunkten, det är osannolikt att du redan är på väg tillbaka, för du har precis börjat din rörelse.""

    Teamet testade algoritmen på två datauppsättningar för mänskliga rörelser:en där en person intermittent korsade en robots väg i en fabriksmiljö (dessa data erhölls från teamets experiment med BMW), och en annan där gruppen tidigare registrerade handrörelser av deltagare som nådde över ett bord för att installera en bult som en robot sedan skulle säkra genom att borsta tätningsmedel på bulten.

    För båda datauppsättningarna, lagets algoritm kunde göra bättre uppskattningar av en persons framsteg genom en bana, jämfört med två vanligt använda algoritmer för partiell bana inriktning. Vidare, teamet upptäckte att när de integrerade inriktningsalgoritmen med sina rörelseprediktorer, roboten kunde mer exakt förutse tidpunkten för en persons rörelse. I scenariot för fabriksgolvet, till exempel, de fann att roboten var mindre benägen att frysa på plats, och återupptog istället smidigt sin uppgift strax efter att en person korsat dess väg.

    Medan algoritmen utvärderades i samband med rörelseförutsägelse, den kan också användas som ett förbearbetningssteg för andra tekniker inom området människa-robotinteraktion, som åtgärdsigenkänning och gestdetektering. Shah säger att algoritmen kommer att vara ett nyckelverktyg för att göra det möjligt för robotar att känna igen och reagera på mönster av mänskliga rörelser och beteenden. I sista hand, detta kan hjälpa människor och robotar att arbeta tillsammans i strukturerade miljöer, såsom fabriksinställningar och till och med, i vissa fall, hemmet.

    "Denna teknik kan tillämpas på alla miljöer där människor uppvisar typiska beteendemönster, " säger Shah. "Nyckeln är att [robotsystemet] kan observera mönster som uppstår om och om igen, så att den kan lära sig något om mänskligt beteende. Allt detta ligger i linje med robotens arbete att bättre förstå aspekter av mänsklig rörelse, för att kunna samarbeta med oss ​​bättre."

    Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.




    © Vetenskap https://sv.scienceaq.com