En 2018, los investigadores del MIT y el fabricante de automóviles BMW estaban probando formas en que los humanos y los robots podrían trabajar en las proximidades para ensamblar piezas de automóviles. En una réplica de una configuración de fábrica, el equipo diseñó un robot sobre rieles, diseñadoentregar partes entre estaciones de trabajo. Mientras tanto, los trabajadores humanos se cruzaban en su camino cada cierto tiempo para trabajar en estaciones cercanas.
El robot fue programado para detenerse momentáneamente si una persona pasaba. Pero los investigadores notaron que el robot a menudo se congelaba en su lugar, demasiado cauteloso, mucho antes de que una persona se cruzara en su camino. Si esto ocurriera en un entorno de fabricación real,tales pausas innecesarias podrían acumularse en ineficiencias significativas.
El equipo rastreó el problema hasta una limitación en los algoritmos de alineación de trayectoria del robot utilizados por el software de predicción de movimiento del robot. Si bien podían predecir razonablemente hacia dónde se dirigía una persona, debido a la mala alineación temporal, los algoritmos no pudieron anticipar cuánto tiempopersona que pasó en cualquier punto a lo largo de su camino predicho, y en este caso, cuánto tiempo le tomaría a una persona detenerse, luego retroceder y cruzar el camino del robot nuevamente.
Ahora, los miembros del mismo equipo del MIT han encontrado una solución: un algoritmo que alinea con precisión las trayectorias parciales en tiempo real, lo que permite que los predictores de movimiento anticipen con precisión el momento del movimiento de una persona. Cuando aplicaron el nuevo algoritmo alExperimentos en la fábrica de BMW, descubrieron que, en lugar de congelarse en su lugar, el robot simplemente se puso en marcha y ya estaba a salvo para cuando la persona volvió a caminar.
"Este algoritmo incorpora componentes que ayudan a un robot a comprender y monitorear las paradas y superposiciones en movimiento, que son una parte central del movimiento humano", dice Julie Shah, profesora asociada de aeronáutica y astronáutica en el MIT. "Esta técnica es una dede muchas maneras estamos trabajando en robots para comprender mejor a las personas "
Shah y sus colegas, incluidos el líder del proyecto y el estudiante graduado Przemyslaw "Pem" Lasota, presentarán sus resultados este mes en la conferencia Robótica: Ciencia y Sistemas en Alemania.
Agrupado
Para que los robots puedan predecir los movimientos humanos, los investigadores suelen tomar prestados algoritmos del procesamiento de la música y el habla. Estos algoritmos están diseñados para alinear dos series de tiempo completas o conjuntos de datos relacionados, como una pista de audio de una actuación musical y un video desplazablede la notación musical de esa pieza.
Los investigadores han utilizado algoritmos de alineación similares para sincronizar mediciones de movimiento humano en tiempo real y previamente grabadas, para predecir dónde estará una persona, por ejemplo, dentro de cinco segundos. Pero a diferencia de la música o el habla, el movimiento humano puede ser desordenado y altamentevariable. Incluso para movimientos repetitivos, como alcanzar una mesa para atornillar un perno, una persona puede moverse ligeramente diferente cada vez.
Los algoritmos existentes generalmente toman datos de movimiento de transmisión, en forma de puntos que representan la posición de una persona a lo largo del tiempo, y comparan la trayectoria de esos puntos con una biblioteca de trayectorias comunes para el escenario dado. Un algoritmo mapea una trayectoria en términosde la distancia relativa entre puntos.
Pero Lasota dice que los algoritmos que predicen trayectorias basadas solo en la distancia pueden confundirse fácilmente en ciertas situaciones comunes, como paradas temporales, en las que una persona hace una pausa antes de continuar en su camino. Mientras está en pausa, los puntos que representan la posición de la persona pueden agruparse enel mismo lugar
"Cuando observa los datos, tiene una gran cantidad de puntos agrupados cuando una persona se detiene", dice Lasota. "Si solo mira la distancia entre puntos como su métrica de alineación, eso puede ser confuso, porque están todos juntos y no tienes una buena idea de a qué punto debes alinearte "
Lo mismo ocurre con las trayectorias superpuestas: casos en que una persona se mueve hacia adelante y hacia atrás a lo largo de un camino similar. Lasota dice que si bien la posición actual de una persona puede alinearse con un punto en una trayectoria de referencia, los algoritmos existentes no pueden diferenciar siesa posición es parte de una trayectoria que se aleja o regresa por el mismo camino.
"Puede tener puntos cercanos en términos de distancia, pero en términos de tiempo, la posición de una persona puede estar lejos de un punto de referencia", dice Lasota.
Todo está en el tiempo
Como solución, Lasota y Shah idearon un algoritmo de "trayectoria parcial" que alinea segmentos de la trayectoria de una persona en tiempo real con una biblioteca de trayectorias de referencia recopiladas previamente. Es importante destacar que el nuevo algoritmo alinea las trayectorias en distancia y tiempo, yal hacerlo, es capaz de anticipar con precisión las paradas y superposiciones en el camino de una persona.
"Digamos que ha ejecutado tanto movimiento", explica Lasota. "Las técnicas antiguas dirán, 'este es el punto más cercano en esta trayectoria representativa para ese movimiento'. Pero dado que solo completó esto en unpoco tiempo, la parte de tiempo del algoritmo dirá, 'basado en el tiempo, es poco probable que ya estés de regreso, porque acabas de comenzar tu movimiento' ".
El equipo probó el algoritmo en dos conjuntos de datos de movimiento humano: uno en el que una persona cruzó intermitentemente el camino de un robot en una configuración de fábrica estos datos se obtuvieron de los experimentos del equipo con BMW, y otro en el que el grupo registró previamente los movimientos de las manosde participantes alcanzando una mesa para instalar un perno que un robot luego aseguraría al cepillar el sellador en el perno.
Para ambos conjuntos de datos, el algoritmo del equipo pudo hacer mejores estimaciones del progreso de una persona a través de una trayectoria, en comparación con dos algoritmos de alineación de trayectoria parcial comúnmente utilizados. Además, el equipo descubrió que cuando integraban el algoritmo de alineación con sus predictores de movimiento,el robot podría anticipar con mayor precisión el momento del movimiento de una persona. En el escenario de la fábrica, por ejemplo, descubrieron que el robot era menos propenso a congelarse en su lugar, y en cambio reanudaron su tarea poco después de que una persona se cruzara en su camino.
Si bien el algoritmo se evaluó en el contexto de la predicción de movimiento, también se puede usar como un paso de preprocesamiento para otras técnicas en el campo de la interacción humano-robot, como el reconocimiento de acciones y la detección de gestos. Shah dice que el algoritmo será unherramienta clave para permitir que los robots reconozcan y respondan a patrones de movimientos y comportamientos humanos. En última instancia, esto puede ayudar a los humanos y los robots a trabajar juntos en entornos estructurados, como la configuración de fábrica e incluso, en algunos casos, el hogar.
"Esta técnica podría aplicarse a cualquier ambiente donde los humanos exhiban patrones de comportamiento típicos", dice Shah. "La clave es que el sistema [robótico] puede observar patrones que ocurren una y otra vez, para que pueda aprender algo sobre el comportamiento humano. Todo esto está en la línea del trabajo del robot para comprender mejor los aspectos del movimiento humano, para poder colaborar mejor con nosotros ".
Esta investigación fue financiada, en parte, por una beca de investigación de tecnología espacial de la NASA y la National Science Foundation.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Jennifer Chu. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :