人类敏感控制器：通过强化学习适应人类人体工程学与物理约束
机器人学
2025-04-15 v1 系统与控制
系统与控制
摘要
工作相关肌肉骨骼疾病持续是工业环境中的主要挑战，导致劳动力参与度下降、医疗费用增加和长期残疾。本研究引入了一个人类敏感的机器人系统，旨在重新整合有肌肉骨骼疾病史的个体到标准工作角色中，同时优化更广泛 workforce 的人体工程学条件。该研究利用强化学习开发了一种人类感知的控制策略，用于协作机器人，专注于优化人体工程学条件和防止疼痛。在任务执行期间。本研究实施了两种 RL 方法，Q 学习和深度 Q 网络 (DQN)，并测试以基于 individual user characteristics 个人特征开发个性化控制策略。虽然实验结果显示出 simulation-to-real 的鸿沟，但通过精调阶段成功地将政策适应到实际条件。DQN 通过在保持零疼痛风险和安全人体工程学水平的同时完成任务速度更快于 Q 学习。结构化的测试协议确认了该系统对 diverse human anthropometries（人类人体测量差异）的适应性，凸显了 RL 驱动的 cobots 能够实现更安全、更包容性工作场所的潜力。
引用
@article{arxiv.2504.10102,
title = {A Human-Sensitive Controller: Adapting to Human Ergonomics and Physical Constraints via Reinforcement Learning},
author = {Vitor Martins and Sara M. Cerqueira and Mercedes Balcells and Elazer R Edelman and Cristina P. Santos},
journal= {arXiv preprint arXiv:2504.10102},
year = {2025}
}