Un nuevo Algoritmo programado para predecir la trayectoria del movimiento de una persona puede ayudar a los humanos y robots a trabajar juntos en estrecha proximidad

En 2018, los investigadores del MIT y del fabricante de automóviles BMW probaron formas en que los humanos y los robots podrían trabajar cerca de ensamblar piezas de automóviles.

En una réplica de una configuración de piso de fábrica, el equipo montó un robot en los rieles, diseñado para entregar partes entre las estaciones de trabajo.

Mientras tanto, los trabajadores humanos se cruzaban cada cierto tiempo para trabajar en estaciones cercanas. El robot estaba programado para detenerse momentáneamente si una persona pasaba por allí.

Pero los investigadores notaron que el robot a menudo se congelaba en su lugar, demasiado cauteloso, mucho antes de que una persona hubiera cruzado su camino.

Si esto ocurriera en un entorno de manufactura real, tales pausas innecesarias podrían acumularse en ineficiencias significativas.

El equipo rastreó el problema hasta una limitación en los algoritmos de alineación de la 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 del tiempo, los algoritmos no podían anticipar cuánto tiempo pasaba esa persona en ningún punto a lo largo de su ruta prevista, y en este caso, cuánto tiempo tomaría para una persona. para detener, luego doble vuelta y cruzar la ruta del robot de nuevo.

Ahora, los miembros de ese mismo equipo de 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 tiempo de movimiento de una persona.

Cuando aplicaron el nuevo algoritmo a los experimentos en el piso de la fábrica de BMW, encontraron que, en lugar de congelarse en el lugar, el robot simplemente se puso en marcha y se encontraba fuera del camino cuando la persona pasó nuevamente por allí.

“Este algoritmo se basa en componentes que ayudan a un robot a comprender y monitorear las paradas y superposiciones en el movimiento, que son una parte fundamental del movimiento humano”, dice Julie Shah, profesora asociada de aeronáutica y astronáutica en el MIT.

“Esta técnica es una de las muchas formas en que estamos trabajando en robots para comprender mejor a las personas”. Shah y sus colegas, incluido el líder del proyecto y estudiante graduado Przemyslaw “Pem” Lasota, presentarán sus resultados este mes en la conferencia Robótica: Ciencia y Sistemas en Alemania.

Para que los robots puedan predecir los movimientos humanos, los investigadores suelen tomar prestados algoritmos de la música y el procesamiento del habla.

Estos algoritmos están diseñados para alinear dos series de tiempo completas, o conjuntos de datos relacionados, como una pista de audio de una interpretación musical y un video de desplazamiento de la notación musical de esa pieza.

Los investigadores han usado algoritmos de alineación similares para sincronizar mediciones en tiempo real y previamente registradas del movimiento humano, para predecir dónde estará una persona, digamos, dentro de cinco segundos.

Pero a diferencia de la música o el habla, el movimiento humano puede ser desordenado y altamente variable. Incluso para los movimientos repetitivos, como estirar una mesa para atornillar un tornillo, una persona puede moverse de forma ligeramente diferente cada vez.

Los algoritmos existentes normalmente 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 términos de 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 su camino. Mientras está en pausa, los puntos que representan la posición de la persona pueden agruparse en el mismo lugar.

“Cuando miras los datos, tienes un montón de puntos agrupados cuando una persona está detenida”, dice Lasota. “Si solo estás viendo la distancia entre los puntos como tu 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 los que una persona se mueve hacia adelante y hacia atrás por 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 si esa posición es parte de una trayectoria que se aleja o regresa por el mismo camino.

“Es posible que haya puntos cercanos en términos de distancia, pero en términos de tiempo, la posición de una persona en realidad puede estar lejos de un punto de referencia”, dice Lasota. Como solución, Lasota y Shah diseñaron 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 tanto en distancia como en tiempo, y al hacerlo, es capaz de anticipar con precisión las paradas y superposiciones en el camino de una persona.

“Digamos que has ejecutado tanto de un movimiento”, explica Lasota. “Las técnicas antiguas dirán, ‘este es el punto más cercano en esta trayectoria representativa para ese movimiento’.

Pero como solo completó la mayor parte en poco tiempo, la parte de tiempo del algoritmo dirá: “según el tiempo, es poco probable que ya esté en su camino de regreso, porque acaba de comenzar su movimiento. ”

El equipo probó el algoritmo en dos conjuntos de datos de movimiento humano: uno en el que una persona cruzó de forma intermitente la trayectoria de un robot en un entorno 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 manos de los participantes llegando a través de 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 fue capaz de realizar mejores estimaciones del progreso de una persona a través de una trayectoria, en comparación con dos algoritmos de alineación de trayectoria parcial de uso común.

Además, el equipo descubrió que cuando integraban el algoritmo de alineación con sus predictores de movimiento, el robot podía anticipar con mayor precisión la sincronización del movimiento de una persona.

En el escenario de la fábrica, por ejemplo, encontraron que el robot era menos propenso a congelarse en su lugar y, en cambio, reanudaron su tarea poco después de que una persona cruzó 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 entre humanos y robots, como el reconocimiento de acciones y la detección de gestos.

Shah dice que el algoritmo será una herramienta clave para que los robots puedan reconocer y responder a patrones de movimientos y comportamientos humanos.

En última instancia, esto puede ayudar a los seres 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 entorno donde los humanos exhiban patrones típicos de comportamiento”, 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 vena del trabajo del robot para entender mejor los aspectos del movimiento humano, para poder Para colaborar mejor con nosotros “.

Esta investigación fue financiada, en parte, por una Beca de Investigación de Tecnología Espacial de la NASA y la Fundación Nacional de Ciencia.

 

Si te ha gustado este artículo, déjanos tu comentario más abajo y ayúdanos a seguir creciendo activando las notificaciones en tu navegador.

 

Vía: Science Daily     Fuente: Instituto de Tecnología de Massachusetts

Ver también: Algoritmo limpia las condenas por cannabis de miles de personas (VIDEO)

 

Síguenos en Redes Sociales

Facebook     Instagram     YouTube     Twitter