Fiziksel insan-insan/robot işbirliğinde etkileşimli davranış sınıflandırmasında dokunsal özelliklerin öne çıkması

Son yıllarda, yakın fiziksel etkileşim gerektiren günlük aktivitelerde insanlarla işbirliği yapacak robotlar tasarlamaya yönelik önemli miktarda araştırma yapılmıştır. Bu alanda bir araştırma alanı, insan ortakların eylemlerini koordine etmek için ağırlıklı olarak dokunsal duyuya güvendiği işbirlikçi nesne taşımacılığıdır. İnsanlar, ortak eylem sırasında etkileşimli davranışlara karşı hassastır ve uyum ve çatışma gibi etkileşim durumlarını kolayca ayırt etmek için dokunsal ipuçlarından (yani, uyguladıkları ve manipüle edilen nesneyle etkileşimleri yoluyla algıladıkları kuvvetler / torklar) yararlanabilirler. Etkileşim durumları arasındaki bu tür bir ayrımın tespiti, fiziksel insan-robot etkileşiminde (pHRI) şu anda eksiktir ve etkileşim davranışlarındaki değişikliklere karşı robotu proaktif hale getirerek işbirliğini güclendirebilir. Fiziksel insan-insan etkileşimlerini (pHHI) anlamanın, insan-robot etkileşimterini sınıflandırabilen bir yapay zeka sistemi için çok önemli olduğuna inanıyoruz. Bu tez, fiziksel olarak birbirine bağlı iki ortağın işbirliği sırasında farklı etkileşim davranış sınıflarını ayırt etmede dokunsal algının işin doğası gereği önemli olan rolüne ilişkin içgörü sağlama çabasıdır. Bildiğimiz kadarıyla, bu çalışma fiziksel birlikte manipülasyonda çatışmayla ilgili pHHI davranışlarının tanımlanmasını iyileştirmek için etkileşime özgü dokunsal özellikler tasarlayan ilk çalışmadır. Bu dokunsal bilgi, çeşitli etkileşimli davranışları barındırabilen proaktif robotik ortakları etkinleştirmek için pHRI'de bir temel olarak çalışır. Bu tezin ilk bölümünde, fiziksel insan-insan etkileşimi (pHHI) içindeki etkileşim kalıpları hakkında bilgi çıkarmak için dokunsal verilerin önemini araştırıyoruz. İki insan ortağı içeren ortak bir nesne taşıma senaryosu üzerinde çalışıyoruz ve kuvvet/tork bilgisine dayalı dokunsal özelliklerin, insan etkileşimli davranış kalıplarını tanımlamaya yeterli olduğunu gösteriyoruz. Etkileşimi dört ayrı davranış sınıfına ayırıyoruz. Bu sınıflar, ortakların bir nesneyi öteleme veya dönme hareketleriyle birlikte taşırken uyum içinde çalışıp çalışmadıklarını veya çatışmalarla karşılaşıp karşılaşmadıklarını açıklar. Deneysel bir çalışmada, 12 insan çiftinden veri topluyoruz ve bir Random Forest sınıflandırıcı kullanarak 91% in üzerinde doğru bir sınıflandırma oranı elde ederek dokunsal özelliklerin belirginliğini doğruluyoruz. Bu tezin ikinci kısmı, işbirlikçi bir görevin yürütülmesi sırasında bir insan ile proaktif bir robot arasında meydana gelebilecek hareket çatışmalarını tespit etmek ve çözmek için bir makine öğrenimi (ML) yaklaşımı önermektedir. Yaklaşımımız, yalnızca insan partnerin bireysel durumu hakkında çıkarım yapmak yerine ikili etkileşim modellerine bakarak uyumlu ve çelişkili davranışları ayırt etmeyi amaçlamaktadır. Bunu yaparken, insan ve robotu ayrı ve ayrılabilir varlıklar olarak gören ve bunun yerine işbirliğinin etkileşimli kalitesini tanımlamak için ekip çalışması yoluyla üretilen kinestetik bilgileri dikkate alan fiziksel HRI'da geleneksel olarak benimsenen dualistik tutuma meydan okuyoruz. Dokunsal (kuvvet/tork) verilerinden türetilen özelliklerin, insan ve robotun nesneyi uyumlu bir şekilde manipüle edip etmediğini veya bir çatışmayla karşı karşıya olup olmadığını sınıflandırmak için yeterli olduğunu gösteriyoruz. Etkileşimli hareket kalıpları uyumlu olduğunda robot ortağının çevrimiçi yörünge planlaması yoluyla göreve proaktif olarak katkıda bulunmasını ve bir çatışma algılandığında insan liderliğini takip etmesini sağlamak için bir çatışma çözme stratejisi uygulanır. Kabul denetleyicisi, görev sırasında insan ve robot arasındaki fiziksel etkileşimi düzenler. Bu, bir çatışma olduğunda robotun insanı pasif olarak takip etmesini sağlar. Ortaklar uyum içinde çalışırken robotu proaktif hale getirmek için yapay bir potansiyel alan yaklaşımı kullanılır. Deneysel bir çalışma, bir nesnenin işbirlikçi manipülasyonu sırasında insan ve robot ortakları arasındaki uyumlu ve çelişkili etkileşimleri içeren senaryolar oluşturmak ve makine öğrenimi modelimizi eğitmek ve test etmek için bir veri kümesi oluşturmak üzere tasarlanmıştır. Çalışmanın sonuçları, makine öğreniminin çatışmaları başarılı bir şekilde tespit ettiğini ve çatışma çözme mekanizmamızın, her zaman insan ortağını takip eden pasif bir robot ve çatışmaları çözemeyen proaktif bir robot durumuna kıyasla insan gücünü ve çabasını önemli ölçüde azalttığını göstermektedir.