面向更安全高效人机协作的相关性驱动决策
机器人学
2025-04-22 v2 人工智能
摘要
人脑具备有效聚焦于重要环境组成部分的能力,这增强了感知、学习、推理和决策。受此认知机制的启发,我们引入了一个称为人机协作相关性(relevance for Human-Robot Collaboration, HRC)的新概念。相关性是一个降维过程,它包含一个持续运行的感知模块,评估场景内的线索充分性,并应用灵活的公式化与计算框架。在本文中,我们提出了一个增强的双循环框架,该框架集成了实时和异步处理来量化相关性,并利用其实现更安全、更高效的人机协作(HRC)。该双循环框架集成了一个异步循环和一个实时循环:异步循环利用 LLM 世界知识来量化相关性;实时循环则基于相关性执行场景理解、人类意图预测和决策。基于相关性的任务分配方法,以及结合了人类轨迹预测的运动生成和碰撞避免方法,共同增强了 HRC 决策。仿真和实验表明,我们用于相关性量化的方法能够准确且稳健地预测人类目标和相关性,目标预测的平均准确率高达 0.90,相关性预测高达 0.96。此外,与最先进的(SOTA)碰撞避免方法相比,我们的运动生成方法将碰撞案例减少了 63.76%,碰撞帧数减少了 44.74%。我们的框架和方法以相关性为指导,指导机器人如何最好地协助人类,并为 HRC 生成更安全、更高效的动作。
引用
@article{arxiv.2409.13998,
title = {Relevance-driven Decision Making for Safer and More Efficient Human Robot Collaboration},
author = {Xiaotong Zhang and Dingcheng Huang and Kamal Youcef-Toumi},
journal= {arXiv preprint arXiv:2409.13998},
year = {2025}
}