训练AI来检测人类意图,扩大制造领域的人机协作
机器和机器人的广泛使用无疑让我们的生活变得更加轻松,更加方便。它们以精确和快速的方式完成工作,而且机器与人类不同,他们不需要休息,因为他们永远不会累。
然而,真实工作环境中仍有许多任务需要人类的灵巧性、适应性。人机协作是未来制造的一个激动人心的机会,因为它结合了两个世界的优点。这种关系需要人类和机器人之间的密切互动。
研究人员在《Robotics and Computer-Integrated Manufacturing》杂志上发表了一项很有前景的研究成果,该研究旨在“训练”机器人在人类明确表达动作之前检测出手臂的运动意图。
研究人员采用隐马尔可夫模型用于链接任务信息和运动,如下图所示。基于该模型,可以预测人体运动。
图 1. 人体运动预测和任务级表示的工作流程
研究人员表示:“机器人的速度和扭矩需要很好地协调,因为协调不好,它可能对人类健康和安全构成严重威胁。”
人机协作要求人类操作员和机器人在共享的工作空间中工作,这意味着两者之间存在潜在(意外)接触。随后,协作机器人 (cobot) 需要以较低的速度和力量运行,以避免碰撞或最小化冲击力。然而,这与共生人机协作的概念相冲突,比如机器人利用其特征优势,包括高速运行,从而实现高生产率。
那如果可以提前测量人体运动意图,则可以在执行运动之前处理这些意图。这将允许更快的机器人运动规划和碰撞避免策略,从而实现更流畅和高效的协作。
新系统布局
上图显示了根据操作员手臂的范围,“伸展范围”被定义为安全临界区域。在此布局中,肢体的位置数据由视觉系统提供。一旦 EEG 发出左臂或右臂即将运动的警告,这些“到达区域”就变得更加重要。
“理想情况下,为了进行有效的团队合作,人类和机器人应该‘理解’对方,但这是很难的,因为两者截然不同,而且‘说’不同的语言。”
研究人员表示,“我们希望赋予机器人‘读懂’人类伙伴意图的能力。”
他们希望通过连接人类大脑的额叶活动来实现这一目标。
人体的每一个动作在执行之前都要经过大脑的分析和评估。测量该信号有助于向机器人传达“移动意图”。
然而,大脑是高度复杂的器官,检测执行动作之前的信号具有挑战性。
拉夫堡大学的研究人员通过训练AI系统来识别脑电图 (EEG) 中的运动前模式来应对这一挑战。
从脑电信号中测量人体手臂运动意图的一般过程是:数据采集、预处理、特征提取和分类。以前的方法没有针对速度进行优化,它们主要旨在可靠地检测和分类意图。研究人员比较了之前的方法处理过程与他们提出的方法处理过程,如下图所示。
他们最新的研究报告了对八名参与者进行测试的结果。
参与者坐在电脑前,屏幕上从A-Z 随机生成一个字母,然后参与者按下键盘上与字母匹配的键。 AI系统根据 EEG 数据预测参与者将移动哪只手臂,使用运动传感器来证实这一意图。
实验装置
实验结果表明,研究人员设计的AI系统可以在人类移动手臂之前513 毫秒,平均在实际执行前300毫秒左右检测到人类移动手臂。
为了验证 EEG 早期预警在这种情况下的优势,研究人员在 V-REP/CoppeliaSim 中进行了模拟,以研究对整体时间的影响,以及对误报的偏差如何抵消时间优势,如上图 A 所示。
如上图 B 所示模拟包括 EEG 设置,例如约 300 毫秒的平均时间优势和 500 毫秒的最佳情况预警。 此外,可以根据时间间隔和定义的持续时间包含误报以及机器人和人类操作员的速度和加速度也可以通过用户界面设置为模拟参数。
在整个模拟过程中,可以观察到最小间隔距离(图 C 部分),并监控机器人的当前速度(图D 部分)。
上图为无监督学习结果和神经网络分类结果。基于个体实例预测的LSTM-RNN总体训练和测试准确率达到84.98-92.08%。
在模拟中,研究人员测试了时间优势对人机协作场景的影响。
他们发现,在做同样的任务时,使用这种技术比不使用它可以实现更高的生产率。
这项任务的完成时间要快8-11%——即使研究人员将“误报”也算在内,即脑电图错误地向机器人传达了一个人想要移动的意图。
研究者Achim 计划以这项研究为基础,并希望最终创建一个可以预测运动方向的系统——例如,伸手去拿螺丝刀或挑选新工件。
对于最新发现,他说:“我们希望这项研究能够实现两件事:首先,我们希望这项提议的技术能够帮助实现更紧密的人机共生协作,这仍然需要大量的研究和工程工作才能完全建立起来。”
“其次,我们希望传达的是,与其将机器人和人工智能/机器学习视为制造业中人类劳动的威胁,还不如将其视为一个机会,让人类继续成为未来工厂的重要组成部分。”
“人与机器人协作(Human-RobotCollaboration, HRC)正开始创新工厂车间,然而,人类和机器人之间仍需要更实质性的合作。”
“真正的 HRC 将对劳动生产率、工作质量和健康产生变革性影响,并建立一个更安全和可持续的劳动力市场,同时克服由性别、年龄或残疾造成的身体劣势。”
研究人员表示,这项使用AI和 EEG 的工作使我们离真正的 HRC 更近了一步。
不用于商业行为,转载请联系后台
若有侵权,请后台留言,管理员即时删侵!
更多阅读
Feinstein Institute研究人员解码脑沟和白质区域的神经活动
厦大等高校研究人员利用卷积神经网络学习脑电地形图表示进行分类
清华、北邮等高校研究人员实现具有 160 个目标的基于 SSVEP 的免校准 BCI 系统