Admitans kontrolünü kullanarak fiziksel insan-robot etkileşimi için uyarlanabilir insan kuvveti ölçeklendirmesi

Modern işbirlikçi robotik sistemler, hafif, taşınabilir olacak şekilde tasarlanmıştır ve düşük çalışma hızı gibi doğal güvenlik özellikleriyle donatılmıştır. Bu nitelikler, bu tür robotların insanlara yakın konumlandırılmasına ve hatta insanlarla doğrudan fiziksel etkileşim gerektiren günlük faaliyetlere olanak tanır. Buna rağmen, üretim, imalat ve inşaat gibi birçok endüstride hala insan gücüne dayalı ortak manipülasyon yaygındır. Örneğin, hacimli veya ağır objelerin taşınması ergonomik olarak zordur, bu nedenle, katma değeri olmasa bile tipik olarak iki kişi tarafından yapılır. Ortak bir obje manipülasyonunda, insanın harcadığı eforu azaltmak için işbirlikçi bir robot kullanılabilir. Bununla birlikte, bu robot insan hareketlerini pasif olarak takip edecek şekilde kontrol edilirse, özellikle görevi yerine getirirken insan hareket niyetleri değiştiğinde, onun için ekstra bir yük haline dönüşebilir. Öte yandan, robot insan partnerin niyetini dikkate almadan önceden programlanmış planlara göre görevi yerine getirirse, çatışmalar (anlaşmazlıklar) ortaya çıkacak ve bu çatışmalar çözülmezse, görev insan için yorucu olacaktır. Dolayısıyla robotun görevi doğal ve etkili bir şekilde yerine getirebilmesi için insanın niyetini bilmesi ve buna göre hareket etmesi gerekir. Bu tezin ilk bölümünde, görev performansını iyileştirmek için bir insanla yürütülen işbirlikçi bir manipülasyon görevine katkısını uyarlamalı olarak değiştirebilen bir robot için bir admitans denetleyicisi tasarladık. Bu, görevin farklı aşamalarını dikkate alarak robotun göreve katkısını uyarlamalı değiştirerek başarılmıştır. Yaklaşımımızda, insanın hareket niyetleri, ölçülen insan kuvveti ve manipüle edilen nesnenin hızından tahmin edilir ve bir bulanık mantık şeması kullanılarak nicel bir değere dönüştürülür. Bu değer daha sonra zaman sabitini değiştirmeden robotun göreve katkısını uyarlamalı olarak ayarlamak için bir admitans denetleyicisinde değişken bir kazanç olarak kullanılır. Bu çalışmada, önerilen yaklaşımın faydalarını, Fitts'in hareket kuralını kullanan bir pHRI deneyi ile gösteriyoruz. Deneyin sonuçları, a) robotun katkısını en üst düzeye çıkaran optimum bir zaman süresi sabiti ve b) genel görev performansı açısından daha etkili ortak manipülasyonu sağlayan bir kabul kazanç profili olduğunu göstermektedir. Bu tezin ikinci bölümünde, işbirlikçi bir görevin yürütülmesi sırasında insan ile proaktif bir robot arasında meydana gelebilecek çatışmaları çözmek için bir makine öğrenimi (ML) yaklaşımı öneriyoruz. Bu tür çatışmaları tespit etmek ve çözmek için ortaklar arasındaki kuvvet etkileşimlerine odaklanmanızı öneriyoruz. Sadece dokunsal (kuvvet/tork) verilerden türetilen özelikleri girdi olarak alan bir makina öğrenmesi modelirin, insan ve robotun nesneyi uyumlu bir şekilde manipüle edip etmediğini veya bir çatışmayla karşılaşıp karşılaşmadıklarını sınıflandırmak için yeterli olduğunu savunuyoruz. Bizim yaklaşımımızda robot, uyum olduğunda göreve proaktif olarak katkıda bulunur veya bir çatışma olduğunda pasif olarak insan davranışını takip eder. Görev sırasında insan ve robot arasındaki fiziksel etkileşimi düzenlemek için yine bir admitans denetleyicisi kullanıyoruz. Makine öğrenmesi modelimizi eğitmek ve test etmek için bir nesnenin işbirlikçi manipülasyonu sırasında insan ve robot arasındaki uyumlu ve çelişkili etkileşimleri içeren deneysel senaryolar tasarladık. Çalışmanın sonuçları, makine öğrenmesinin çatışmaları başarılı bir şekilde tespit ettiğini ve insan gücünü ve çabasını, her zaman insan ortağını takip eden pasif bir robot ve çatışmaları çözemeyen proaktif bir robot durumuna kıyasla önemli ölçüde azalttığını göstermektedir.