该手稿介绍了一个对象可变形性框架框架，用于共享一个人和多个机器人之间共享的任务。我们的方法可以根据对象的大小和重量与多个机器人共享负载，从而完全控制人的共同轨迹。这是通过合并通过对象传递的触觉信息和从运动捕获系统获得的人类运动信息来实现的。该框架的一个重要优点是，无论对象大小和变形特征如何，机器人之间不需要严格的内部通信。我们使用两个具有挑战性的现实场景来验证框架：木质刚性壁橱的共同投资和叉车移动带上的笨重盒子，后者是可变形物体的。为了评估所提出的框架的普遍性，由两个移动操纵器组成的异源团队由Omni方向移动基础组成，并为实验选择了具有不同DOF的协作机器人组。在这些实验过程中，我们的控制器和基线控制器（即入学控制器）之间的定性比较证明了提出的框架的有效性，尤其是在共同携带可变形物体时。此外，我们认为，在实验中使用起重带的框架的性能为共同运输的笨重和不可覆盖的物体提供了有希望的解决方案。
translated by 谷歌翻译
本文提出了一种以非零速度的效果友好型捕捉对象的混合优化和学习方法。通过受约束的二次编程问题，该方法生成最佳轨迹，直至机器人和对象之间的接触点，以最小化其相对速度并减少初始影响力。接下来，生成的轨迹是由基于人类的捕捉演示的旋风动作原始词更新的，以确保围绕接口点的平稳过渡。此外，学习的人类可变刚度（HVS）被发送到机器人的笛卡尔阻抗控制器，以吸收后影响力并稳定捕获位置。进行了三个实验，以将我们的方法与固定位置阻抗控制器（FP-IC）进行比较。结果表明，所提出的方法的表现优于FP-IC，同时添加HVS可以更好地吸收影响后力。
translated by 谷歌翻译
在机器学习中使用大型数据集已导致出色的结果，在某些情况下，在机器上认为不可能的任务中的人数优于人类。但是，在处理身体上的互动任务时，实现人类水平的表现，例如，在接触良好的机器人操作中，仍然是一个巨大的挑战。众所周知，规范笛卡尔阻抗进行此类行动对于成功执行至关重要。加强学习（RL）之类的方法可能是解决此类问题的有希望的范式。更确切地说，在解决新任务具有巨大潜力时，使用任务不足的专家演示的方法可以利用大型数据集。但是，现有的数据收集系统是昂贵，复杂的，或者不允许进行阻抗调节。这项工作是朝着数据收集框架迈出的第一步，适合收集与使用新颖的动作空间的RL问题公式相容的基于阻抗的专家演示的大型数据集。该框架是根据对机器人操纵的可用数据收集框架进行广泛分析后根据要求设计的。结果是一个低成本且开放的远程阻抗框架，它使人类专家能够展示接触式任务。
translated by 谷歌翻译
在这项研究中，提出了一个自适应对象可变形性不足的人类机器人协作运输框架。提出的框架使通过对象传输的触觉信息与从运动捕获系统获得的人类运动信息结合在一起，以在移动协作机器人上产生反应性的全身运动。此外，它允许基于算法在共同转移过程中以直观而准确的方式旋转对象，该算法使用躯干和手动运动检测人旋转意图。首先，我们通过使用由Omni方向移动基础和协作机器人组组成的移动操纵器，通过对象变形范围的两个末端（即纯粹的铝制杆和高度变形绳）来验证框架。接下来，将其性能与12个受试者用户研究中部分可变形对象的共同携带任务中的录取控制器进行了比较。该实验的定量和定性结果表明，所提出的框架可以有效地处理物体的运输，而不管其可变形性如何，并为人类伴侣提供直观的援助。最后，我们在不同的情况下展示了我们的框架的潜力，在不同的情况下，人类和机器人使用可变形的床单共同传输了手工蛋白。
translated by 谷歌翻译
远程运行是一种广泛采用的策略，用于控制需要高度灵巧运动和关键高级智力的复杂任务的机器人操纵器。经典的远程操作方案基于操纵杆的控制，或基于更直观的接口，这些界面将用户臂运动直接映射到一个机器人臂的运动中。当执行给定任务需要可重新配置的多个机器人ARM系统时，这些方法会限制。实际上，两个或多个机器人臂的同时进行近距离运行可以扩展操纵单元的工作空间，或增加其总有效载荷或提供其他优势。在可重新配置的多臂系统的不同阶段中，每个机器人可以充当独立的手臂，也可以充当一对合作的手臂，或者是虚拟大型机器人手的手指之一。该手稿提出了一个新型的远程注射框架，可以使个人和组合任何数量的机器人臂控制。多亏了设计的控制体系结构，人类操作员可以直观地选择提出的控制方式和操纵器，以使任务方便地通过用户界面执行。此外，通过Tele-Tele-Inverance范式，该系统可以通过让机器人模仿人类操作员的手臂阻抗和位置参考来解决需要物理互动的复杂任务。拟议的框架已通过8个主题，控制4个弗兰卡·埃米卡·熊猫机器人，并用7多杆执行远程触发任务。实验的定性结果向我们展示了我们框架的有希望的适用性。
translated by 谷歌翻译
平衡和步态障碍是跌倒的第二主要原因，随之而来的是伤害，据报道是世界各地的主要公共卫生问题。对于不需要机械支持的患者，纤维触及反馈界面已被证明是恢复平衡的成功方法。大多数现有策略评估躯干或头部倾斜，速度或足底力，仅限于立场的分析。另一方面，平衡控制的中心是需要将身体的压力中心（COP）保持在支撑多边形（SP）的可行限制，如站立或前进到新的SP（如步行中）。因此，本文提出了一项探索性研究，以研究是否可以在步行过程中使用速函反馈来领导人类警察。引入了Ergotac-belt纤维触觉设备，以指示用户在前后轴和中侧轴上的方向。这里采用了一种预期策略，以使用户有足够的时间对刺激做出反应。对十个健康受试者进行的实验证明了该设备沿预定义的参考路径指导用户的COP具有有希望的能力，其性能与视觉反馈相似。未来的发展将调查我们的战略和设备，以指导老年人或前庭障碍的人的警察，他们可能不知道或能够弄清楚安全且人体工程学的COP道路。
translated by 谷歌翻译
反复出现或持续的尴尬身体姿势是与工作相关的肌肉骨骼疾病（MSD）发展最常见的危险因素之一。为了防止工人采用有害配置，也可以指导他们朝着更符合人体工程学的配置，可穿戴触觉设备可能是理想的解决方案。在本文中，在肢体姿势校正环境中评估了一个称为Ergotac的纤维ac式单元，称为袖口和称为袖口的滑动单元。使用定量与任务相关的指标和主观定量评估，比较了在十二个健康受试者中比较了他们提供单关节（肩膀或膝盖）和多关节（肩膀和膝盖）指导的能力。还建立了一个集成的环境，以简化参与传感器和反馈系统之间的沟通和数据共享。结果显示出两种设备的良好可接受性和直觉。 Ergotac似乎是肩膀的合适反馈装置，而袖口可能是膝盖的有效解决方案。这项比较研究虽然是初步的，但却是对两种设备进行有效全身姿势校正的潜在整合的促进，目的是开发反馈和辅助设备，以提高工人对危险工作条件的认识，从而防止MSD。
translated by 谷歌翻译
人类机器人协作组装系统提高了工作场所的效率和生产力，但可能会增加工人的认知需求。本文提出了一个在线和定量框架，以评估与同事的互动，即人类运营商或具有不同控制策略的工业协作机器人所引起的认知工作量。该方法可以监视操作员的注意力分布和上身运动学，从而受益于低成本立体声摄像机和尖端的人工智能算法的输入图像（即头姿势估计和骨架跟踪）。三种实验场景具有工作站特征和互动方式的变化，旨在测试我们在线方法的性能，以防止最新的离线测量。结果证明，我们基于视觉的认知负荷评估有可能将其集成到新一代的协作机器人技术中。后者将使人类的认知状态监测和机器人控制策略适应改善人类舒适，人体工程学和对自动化的信任。
translated by 谷歌翻译
在混合工业环境中，工人对安全的舒适和积极的看法是成功接受和使用协作机器人的重要要求。本文提出了一个新型的人类机器人互动框架，其中根据操作员的认知工作量和压力在线对机器人行为进行了调整。该方法利用在关节空间中生成B-Spline轨迹的生成，并将多目标优化问题的公式用于在线调整机器人轨迹的总执行时间和平滑度。前者确保了工作场所的人力效率和生产力，而后者则有助于保护用户的舒适性和认知人体工程学。在典型的工业任务中评估了拟议框架的性能。结果表明，其能力可以提高人类二元组的生产率，同时减轻工人引起的认知工作量。
translated by 谷歌翻译
认识人类所采取的行动以及对他们的意图的预期是重要的推动力，可以在人类机器人团队中产生社交和成功的合作。同时，机器人应具有由协作任务或人类引起的多种目标和约束的能力。在这方面，我们提出了视力技术来执行人类的行动识别和图像分类，这些技术被整合到增强的层次二次编程（AHQP）方案中，以层次优化机器人的反应性行为和人类的人体工程学。所提出的框架允许执行任务时，可以直观地在空间中命令机器人。该实验证实了人体工程学和可用性的增加，这是减少肌肉骨骼疾病并增加自动化信任的基本参数。
translated by 谷歌翻译