Поскольку роботы постепенно внедряются в различные реальные среды, разработчикам и специалистам по робототехнике необходимо будет убедиться, что они могут безопасно работать рядом с людьми. В последние годы они внедрили различные подходы для оценки положения и прогнозирования движений роботов в режиме реального времени.

Исследователи из Федерального университета Пернамбуку в Бразилии недавно создали новую модель глубокого обучения для оценки положения рук робота и прогнозирования их движений. Эта модель, представленная в статье, предварительно опубликованной на arXiv, специально разработана для повышения безопасности роботов, когда они сотрудничают или взаимодействуют с людьми.

"Мотивированные необходимостью предвидеть несчастные случаи во время взаимодействия человека и робота (HRI), мы исследуем структуру, которая повышает безопасность людей, работающих в непосредственной близости от роботов", - сказал TechXplore Джамель Х. Садок, один из исследователей, проводивших исследование. "Обнаружение позы рассматривается как важный компонент общего решения. С этой целью мы предлагаем новую архитектуру для определения позы, основанную на Самокалибрующихся свертках (SCConv) и Экстремальной обучающей машине (ELM)."

Оценка позы робота является важным шагом для прогнозирования его будущих движений и намерений и, в свою очередь, снижения риска их столкновения с объектами, находящимися поблизости. Подход к оценке позы и прогнозированию движения, представленный Садоком и его коллегами, состоит из двух ключевых компонентов, а именно SCConv и модели ELM.

Компонент SCConvs улучшает общие пространственные и канальные зависимости их модели. С другой стороны, известно, что подход ELM является эффективным подходом к классификации данных.

"Мы заметили, что не было никаких существующих исследований, которые объединяли бы эти две технологии в контексте нашего приложения", - пояснил Садок. "Поэтому мы решили посмотреть, улучшит ли такая комбинация наше приложение. Мы также улучшили фреймворк, применив прогнозирование движения с учетом определения позы, используя рекуррентные нейронные сети (RNN)".

Во-первых, Содок и его коллеги составили пользовательский набор данных, содержащий изображения сцен, в которых роботизированная рука взаимодействует с находящимся поблизости пользователем-человеком. Для создания этих изображений они специально использовали UR-5, роботизированную руку, созданную Universal Robots.

Исследователи прокомментировали эти изображения, в частности рамки роботизированной руки. Затем это позволило им использовать новый набор данных для обучения SCNet, компонента на основе SCConv их фреймворка.

"Наша цель состояла в том, чтобы улучшить наблюдаемую ошибку по сравнению с другими известными архитектурами, такими как VGG или ResNet", - сказал Садок. "Чтобы извлечь функции, мы использовали SCNet и применили EML на конце сети. Затем мы использовали алгоритм Long Short-Term Memory (LSTM) и стробируемую рекуррентную единицу (GRU) для прогнозирования движения. Мы считаем это новым подходом к решению этой проблемы".

Садок и его коллеги оценили производительность своего фреймворка в серии первоначальных тестов, где они пытались оценить позу и предсказать будущие движения руки UR-5, поскольку она помогала пользователю-человеку в выполнении задач, связанных с обслуживанием. Они обнаружили, что он достиг очень многообещающих результатов, определяя позу роботизированной руки и предсказывая ее будущие движения с хорошим уровнем точности.

"Мы считаем, что наш главный вклад заключается в создании системы, способной определять позу роботизированной руки и ее движения, что, следовательно, повышает безопасность руки", - сказал Садок. "Мы также расширили область применения SSConv и EML и подтвердили их объединенные возможности".

В будущем структура, разработанная этой группой исследователей, может быть использована для повышения безопасности как существующих, так и вновь разрабатываемых роботизированных систем. Кроме того, алгоритмы SCConv и ELM, которые они использовали, могут быть адаптированы и применены к другим задачам, таким как оценка позы человека, обнаружение объектов и классификация объектов.

"Теперь мы планируем расширить нашу платформу для определения позы человека и совместно обеспечить оценку позы робота", - добавил Садок. "Объединив обе данные, мы можем работать над совместным прогнозированием обоих движений, предотвращая еще больше рисков, возникающих в результате их взаимодействия, как на заводском предприятии, и лучше классифицируя уровень риска".

ИСТОЧНИК