Learning Operator Intetions Using Supervised Learning for Safe Human-Robot Collaboration
Translated title
Learning Operator Intentions Using Supervised Learning for Safe Human-Robot Collaboration
Author
Ceballos, Iker
Term
4. term
Education
Publication year
2017
Abstract
På mange fabrikker arbejder mennesker og robotter side om side om opgaver, der ikke kan automatiseres fuldt ud—fx når begge plukker dele fra samme transportbånd. Den gængse sikkerhedsstrategi er at standse robotten ved mulig kontakt, men hyppige stop forlænger robottens cyklustid og sænker produktiviteten. Dette arbejde undersøger et alternativ: at få robotten til at forudse, hvad mennesket har tænkt sig at gøre, og tilpasse sin bevægelse derefter. Tilgangen bruger 3D-sensorer til at indfange kropsbevægelser og repræsentere dem som en skeletmodel, en forenklet beskrivelse af led og lemmer. Først grupperes optagne bevægelsesspor i typiske handlingsklasser med Partitioning Around Medoids (PAM), en klyngealgoritme der organiserer data omkring repræsentative eksempler. Derefter trænes en Support Vector Machine (SVM), en overvåget klassifikationsalgoritme, på disse eksempler. Den trænede model klassificerer til sidst nye målinger i realtid for tidligt at forudsige, hvilken handling operatøren påbegynder. Ved at genkende intentioner tidligt kan robotten opretholde sikkerhed uden unødige stop og dermed understøtte et mere smidigt og effektivt samarbejde mellem menneske og robot.
In many industrial settings, people and robots work side by side on tasks that cannot be fully automated—for example, both pick parts from the same conveyor belt. The common safety strategy is to stop the robot whenever a collision is possible, but frequent stops slow the robot’s cycle time and reduce productivity. This work explores an alternative: enabling the robot to anticipate what the human intends to do and adjust its motion accordingly. Our approach uses 3D sensors to capture body movement and represent it as a skeleton model, a simplified map of joints and limbs. We first group recorded motion tracks into typical action classes using Partitioning Around Medoids (PAM), a clustering method that organizes data around representative examples. We then train a Support Vector Machine (SVM), a supervised classification algorithm, on these examples. Finally, the trained model classifies new sensor data in real time to predict which action the operator is starting. By recognizing intentions early, the robot can maintain safety while avoiding unnecessary stops, supporting smoother and more efficient human–robot collaboration.
[This abstract was generated with the help of AI]
Keywords
Documents