• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • L'algorithme indique aux robots où se dirigent les humains à proximité

    Crédit :CC0 Domaine public

    En 2018, des chercheurs du MIT et du constructeur automobile BMW testaient des moyens par lesquels les humains et les robots pourraient travailler à proximité immédiate pour assembler des pièces de voiture. Dans une réplique d'un décor d'usine, l'équipe a installé un robot sur rails, conçu pour livrer des pièces entre les postes de travail. Pendant ce temps, des travailleurs humains croisaient de temps en temps sa route pour travailler dans les gares voisines.

    Le robot était programmé pour s'arrêter momentanément en cas de passage d'une personne. Mais les chercheurs ont remarqué que le robot gelait souvent sur place, trop prudent, bien avant qu'une personne ait croisé son chemin. Si cela a eu lieu dans un environnement de fabrication réel, de telles pauses inutiles pourraient s'accumuler en d'importantes inefficacités.

    L'équipe a retracé le problème à une limitation des algorithmes d'alignement de trajectoire du robot utilisés par le logiciel de prédiction de mouvement du robot. Alors qu'ils pouvaient raisonnablement prédire où une personne se dirigeait, en raison du mauvais alignement du temps, les algorithmes ne pouvaient pas anticiper combien de temps cette personne a passé à n'importe quel moment le long de son chemin prévu - et dans ce cas, combien de temps cela prendrait pour qu'une personne s'arrête, puis revenez en arrière et croisez à nouveau le chemin du robot.

    Maintenant, les membres de cette même équipe du MIT ont trouvé une solution :un algorithme qui aligne avec précision des trajectoires partielles en temps réel, permettant aux prédicteurs de mouvement d'anticiper avec précision le moment du mouvement d'une personne. Lorsqu'ils ont appliqué le nouvel algorithme aux expériences d'usine BMW, ils ont trouvé que, au lieu de geler sur place, le robot roulait simplement et était en sécurité à l'écart au moment où la personne passait à nouveau.

    "Cet algorithme intègre des composants qui aident un robot à comprendre et à surveiller les arrêts et les chevauchements de mouvement, qui font partie intégrante du mouvement humain, " dit Julie Shah, professeur agrégé d'aéronautique et d'astronautique au MIT. "Cette technique est l'une des nombreuses façons dont nous travaillons sur les robots pour mieux comprendre les gens."

    Shah et ses collègues, y compris le chef de projet et étudiant diplômé Przemyslaw "Pem" Lasota, présenteront leurs résultats ce mois-ci à la conférence Robotics:Science and Systems en Allemagne.

    Pour permettre aux robots de prédire les mouvements humains, les chercheurs empruntent généralement des algorithmes à la musique et au traitement de la parole. Ces algorithmes sont conçus pour aligner deux séries temporelles complètes, ou des ensembles de données connexes, comme une piste audio d'une performance musicale et une vidéo défilante de la notation musicale de cette pièce.

    Les chercheurs ont utilisé des algorithmes d'alignement similaires pour synchroniser les mesures en temps réel et précédemment enregistrées du mouvement humain, pour prédire où sera une personne, dire, dans cinq secondes. Mais contrairement à la musique ou à la parole, le mouvement humain peut être désordonné et très variable. Même pour les mouvements répétitifs, comme atteindre une table pour visser un boulon, une personne peut se déplacer légèrement différemment à chaque fois.

    Les algorithmes existants prennent généralement en charge les données de mouvement en continu, sous forme de points représentant la position d'une personne dans le temps, et comparer la trajectoire de ces points à une bibliothèque de trajectoires communes pour le scénario donné. Un algorithme cartographie une trajectoire en termes de distance relative entre les points.

    Mais Lasota dit que les algorithmes qui prédisent des trajectoires basées uniquement sur la distance peuvent être facilement confus dans certaines situations courantes, tels que des arrêts temporaires, dans lequel une personne s'arrête avant de poursuivre son chemin. En pause, les points représentant la position de la personne peuvent se regrouper au même endroit.

    Crédit : Institut de technologie du Massachusetts

    « Quand vous regardez les données, vous avez tout un tas de points regroupés lorsqu'une personne est arrêtée, " Lasota dit. " Si vous ne regardez que la distance entre les points comme mesure d'alignement, cela peut prêter à confusion, parce qu'ils sont tous proches les uns des autres, et vous n'avez pas une bonne idée du point sur lequel vous devez vous aligner."

    Il en va de même pour les trajectoires qui se chevauchent, c'est-à-dire les cas où une personne se déplace d'avant en arrière le long d'un chemin similaire. Lasota dit que même si la position actuelle d'une personne peut s'aligner avec un point sur une trajectoire de référence, les algorithmes existants ne peuvent pas différencier si cette position fait partie d'une trajectoire qui s'éloigne, ou revenir par le même chemin.

    « Vous pouvez avoir des points proches les uns des autres en termes de distance, mais en terme de temps, la position d'une personne peut en fait être loin d'un point de référence, " dit Lasota.

    Tout est dans le timing

    Comme solution, Lasota et Shah ont conçu un algorithme de « trajectoire partielle » qui aligne des segments de la trajectoire d'une personne en temps réel avec une bibliothèque de trajectoires de référence précédemment collectées. Surtout, le nouvel algorithme aligne les trajectoires à la fois en distance et en temps, et ce faisant, est capable d'anticiper avec précision les arrêts et les chevauchements sur le chemin d'une personne.

    "Dites que vous avez exécuté autant de mouvement, " Lasota explique. " Les vieilles techniques diront, 'c'est le point le plus proche sur cette trajectoire représentative pour ce mouvement.' la partie de synchronisation de l'algorithme dira, 'basé sur le timing, il est peu probable que vous soyez déjà sur le chemin du retour, parce que vous venez de commencer votre mouvement.""

    L'équipe a testé l'algorithme sur deux ensembles de données de mouvement humain :l'un dans lequel une personne croisait par intermittence le chemin d'un robot dans un réglage d'usine (ces données ont été obtenues à partir des expériences de l'équipe avec BMW), et un autre dans lequel le groupe a précédemment enregistré les mouvements de la main des participants atteignant une table pour installer un boulon qu'un robot fixerait ensuite en brossant du mastic sur le boulon.

    Pour les deux jeux de données, l'algorithme de l'équipe a pu faire de meilleures estimations de la progression d'une personne à travers une trajectoire, par rapport à deux algorithmes d'alignement partiel de trajectoire couramment utilisés. Par ailleurs, l'équipe a découvert que lorsqu'elle a intégré l'algorithme d'alignement à ses prédicteurs de mouvement, le robot pourrait anticiper plus précisément le moment du mouvement d'une personne. Dans le scénario de l'atelier, par exemple, ils ont découvert que le robot était moins enclin à geler sur place, et a plutôt repris sa tâche en douceur peu de temps après qu'une personne ait croisé son chemin.

    Alors que l'algorithme a été évalué dans le contexte de la prédiction de mouvement, il peut également être utilisé comme étape de prétraitement pour d'autres techniques dans le domaine de l'interaction homme-robot, comme la reconnaissance d'action et la détection de gestes. Shah dit que l'algorithme sera un outil clé pour permettre aux robots de reconnaître et de répondre aux modèles de mouvements et de comportements humains. Finalement, cela peut aider les humains et les robots à travailler ensemble dans des environnements structurés, tels que les paramètres d'usine et même, dans certains cas, la maison.

    "Cette technique pourrait s'appliquer à n'importe quel environnement où les humains présentent des modèles de comportement typiques, " Shah dit. " La clé est que le système [robotique] peut observer des modèles qui se produisent encore et encore, afin qu'il puisse apprendre quelque chose sur le comportement humain. Tout cela dans la veine du travail du robot pour mieux comprendre les aspects du mouvement humain, pour mieux collaborer avec nous."

    Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.




    © Science https://fr.scienceaq.com