Human Intention Prediction for Enhancing Human-Robot Collaboration in Manufacturing

Kurzfassung

Das Ziel dieser Masterarbeit ist eine effizientere Mensch-Roboter Kollaboration in der Produktion durch die Vorhersage der menschlichen Intention anhand von Bewegungsdaten. Dafür werden die menschlichen Aktionen als Tasks modelliert, welche bestimmten Werkzeuge und anderen Objekten in der Umgebung zugeordnet sind. Der Ansatz besteht aus zwei Methoden welche für verschiedene Zeithorizonte der Prognose eingesetzt werden. Für eine kurzzeitige Vorhersage der Aktion wird eine Anfangsbewegung aufgenommen und daraus das Ziel der Bewegung so früh wie möglich bestimmt. Dafür werden Gaussian Mixture Models eingesetzt um sowohl bewegungs- als auch objektbezogene Informationen zu encodieren und zu klassifizieren. Für die Vorhersage eines größeren Zeithorizonts im Bereich einiger Sekunden wird zuerst offline ein Modell der Tasks anhand von aufgenommenen Bewegungsdaten erstellt. Dieses Modell wird dann online verwendet um die gerade ausgeführte Aktion zu überwachen und die Dauer zukünftiger Aktionen zu schätzen. Diese Schätzung kann dann von der Aufgabenplanung des Roboters genutzt werden um die Effizienz der Mensch-Roboter Kollaboration zu verbessern. Das hierarchisch aufgebaute Taskmodell besteht aus primitiven Bewegungen welche zu menschlichen Fähigkeiten zusammengesetzt werden. Diese menschlichen Fähigkeiten sind angelehnt an die Roboterfähigkeiten, um die Integration von Mensch und Roboter in den Produktionsprozess zu vereinfachen. Die kurzfristige Vorhersage des Bewegungsziels und die kombinierte Vorhersage gemeinsam mit dem Modell der Tasks wurden experimentell evaluiert. Die Ergebnisse legen nahe, dass dieses Framework dazu geeignet ist die Aktionen des Menschen in eingeschränkten Szenarien in der Produktion vorherzusagen.