로봇이 실제 환경에서 인간과 원활하게 협업할 수 있도록 보장하는 것은 대규모 배포를 향한 중요한 단계입니다.일부 로봇 시스템은 이미 부분적으로 자동화된 산업 및 제조 시설에서 매일 인간 에이전트와 소통하고 있지만 일상 작업에 대한 인간-로봇 협업은 여전히 ​​부족합니다.

파도바 대학교(University of Padova)와 케임브리지 소재 미쓰비시 전기 연구소(MERL)의 연구원들은 인간-로봇 협업과 관련된 작업을 계획하는 데 도움이 되는 프레임워크를 개발했습니다.이 프레임워크는종이에 사전 게시됨arXiv서버는 특히 가구와 같은 다양한 기본 구성 요소가 포함된 복잡한 시스템의 공동 조립을 수반하는 작업에 중점을 둡니다.

연구원들은 가구용 Discrete-Event based Collaborative Human-Robot Assembly Framework를 의미하는 프레임워크인 DECAF라고 불렀습니다.DECAF에는 DE-MDP(이산 이벤트 마르코프 결정 프로세스) 모델, 조립 프로세스에 대한 HTM 설명 및 베이지안 간섭 모듈을 포함한 다양한 기본 구성 요소가 있습니다.

Giulio Giacomuzzo, Matteo Terreran 및 그 동료들은 "인간은 통제할 수 없는 행위자로 특징지어집니다. 예를 들어 행위자는 미리 설정된 일련의 행동에 얽매이지 않고 대신 자신의 선호에 따라 행동한다는 것을 의미합니다."라고 썼습니다.종이."그동안,일플래너는 협동 로봇이 가능한 최소 시간 내에 전체 조립 작업을 효율적으로 완료할 수 있도록 반응적으로 최적의 작업을 계산합니다."

새로 개발된 프레임워크를 사용하면 협업 조립 프로세스가 다양한 단계에 걸쳐 진행됩니다.첫째, 로봇은 카메라나 기타 센서를 통해 인간 에이전트가 수행하는 작업을 관찰합니다.

이러한 관찰을 바탕으로 DECAF 모델은 로봇-인간 팀이 당면 조립 작업을 완료할 때 효율성을 최대화하는 동시에 예측할 수 없는 사건에 따라 이러한 작업을 조정하는 로봇의 작업을 계획합니다.팀은 DE-MDP라고 알려진 특정 의사 결정 프로세스의 틀을 잡는 데 종종 사용되는 수학적 프레임워크를 활용하여 가구 또는 기타 물체의 조립을 모델링했습니다.

Giacomuzzo, Terreran 및 동료들은 "우리는 문제를 다양한 비동기식 동작, 인간의 사고 변화 및 실패 복구를 확률적 이벤트로 통합하는 포괄적인 프레임워크인 DE-MDP로 공식화합니다."라고 썼습니다.

"이론적으로는 가능한 모든 동작의 그래프를 구성하여 문제를 해결할 수 있지만 이러한 접근 방식은 계산상의 한계로 인해 제한됩니다. 제안된 공식은 강화 학습을 활용하여 로봇에 대한 최적의 정책을 도출하는 대체 솔루션을 제공합니다."

기본적으로 DE-MDP 모델은 조립 작업을 세분화하고 로봇이 인간 에이전트와 협력하여 효율적으로 작업을 수행할 수 있는 최적의 작업을 식별하는 데 사용됩니다.DECAF 프레임워크의 두 번째 구성 요소인 HTM 모델은 다양한 하위 작업 간의 상호 의존성을 인코딩하여 계획 프로세스를 촉진합니다.

마지막으로 팀은 베이지안 간섭(Bayesian Interference)으로 알려진 통계적 접근 방식을 기반으로 모듈을 통합했습니다. 이는 일반적으로 더 많은 정보가 제공될 때 주어진 가설이 참일 확률을 지속적으로 업데이트하는 데 사용됩니다.이 모듈을 사용하면 프레임워크가 휴먼 에이전트의 작업을 모니터링하고 이를 사용하여 휴먼 에이전트의 의도를 예측할 수 있습니다.

연구원들은 일련의 테스트를 통해 DECAF를 평가하고 시뮬레이션과 실제 환경에서 모두 실행했습니다.실제 실험에서는 10명의 성인 참가자에게 IKEA에서 구입한 의자를 7-DoF 로봇 조작기(예: Franka Emika Panda 팔)와 협력하여 조립하도록 요청했습니다.

팀이 실시한 초기 테스트 결과는 매우 유망했습니다.시뮬레이션에서 DECAF는뼈대표준 계획 정책을 능가하는 것으로 밝혀졌지만 실제 실험에서는 인간-로봇 협업의 효율성과 품질을 향상시키는 것으로 나타났습니다.

연구원들은 “향후에는 실행 시간 외에도 인간의 안전, 행동 상관관계, 인간공학 등 다른 최적의 지표를 포함할 계획”이라고 밝혔습니다.

© 2024 사이언스 X 네트워크