En 2018, Los investigadores del MIT y el fabricante de automóviles BMW estaban probando formas en las que los humanos y los robots podrían trabajar en estrecha proximidad para ensamblar piezas de automóviles. En una réplica de un piso de fábrica, el equipo instaló un robot sobre rieles, diseñado para entregar piezas entre estaciones de trabajo. Mientras tanto, los trabajadores humanos se cruzaban en su camino de vez en cuando para trabajar en las estaciones cercanas.

El robot estaba programado para detenerse momentáneamente si pasaba una persona. Pero los investigadores notaron que el robot a menudo se congelaba en su lugar, demasiado cauteloso, mucho antes de que una persona se cruzara en su camino. Si esto tuviera lugar en un entorno de fabricación real, tales pausas innecesarias podrían acumularse en ineficiencias significativas.

El equipo rastreó el problema hasta una limitación en los algoritmos de alineación de la trayectoria del robot utilizados por el software de predicción de movimiento del robot. Si bien podían predecir razonablemente hacia dónde se dirigía una persona, Debido a la mala alineación del tiempo, los algoritmos no pudieron anticipar cuánto tiempo pasó esa persona en cualquier punto de su ruta prevista y, en este caso, cuánto tardaría una persona en detenerse, luego retrocede y cruza el camino del robot de nuevo.

Ahora, miembros de ese mismo equipo del MIT han encontrado una solución:un algoritmo que alinea con precisión trayectorias parciales en tiempo real, permitiendo que los predictores de movimiento anticipen con precisión la sincronización del movimiento de una persona. Cuando aplicaron el nuevo algoritmo a los experimentos de fábrica de BMW, encontraron que, en lugar de congelarse en su lugar, el robot simplemente siguió rodando y estaba a salvo fuera del camino cuando la persona volvió a pasar.

"Este algoritmo incorpora componentes que ayudan a un robot a comprender y monitorear las paradas y superposiciones en el movimiento, que son una parte fundamental del movimiento humano, "dice Julie Shah, profesor asociado de aeronáutica y astronáutica en el MIT. "Esta técnica es una de las muchas formas en que trabajamos para que los robots comprendan mejor a las personas".

Shah y sus colegas, incluido el líder del proyecto y estudiante de posgrado Przemyslaw "Pem" Lasota, presentará sus resultados este mes en la conferencia Robotics:Science and Systems en Alemania.

Para permitir a los robots predecir los movimientos humanos, los investigadores suelen tomar prestados algoritmos del procesamiento de la música y el habla. Estos algoritmos están diseñados para alinear dos series de tiempo completas, o conjuntos de datos relacionados, como una pista de audio de una interpretación musical y un vídeo de desplazamiento de la notación musical de esa pieza.

Los investigadores han utilizado algoritmos de alineación similares para sincronizar mediciones del movimiento humano en tiempo real y previamente registradas. para predecir dónde estará una persona, decir, cinco segundos a partir de ahora. Pero a diferencia de la música o el habla, El movimiento humano puede ser complicado y muy variable. Incluso para movimientos repetitivos, como alcanzar una mesa para atornillar un perno, una persona puede moverse de manera ligeramente diferente cada vez.

Los algoritmos existentes suelen incorporar datos de movimiento en tiempo real, en forma de puntos que representan la posición de una persona a lo largo del tiempo, y compare la trayectoria de esos puntos con una biblioteca de trayectorias comunes para el escenario dado. Un algoritmo mapea una trayectoria en términos de la distancia relativa entre puntos.

Pero Lasota dice que los algoritmos que predicen trayectorias basadas solo en la distancia pueden confundirse fácilmente en ciertas situaciones comunes. como paradas temporales, en el que una persona se detiene antes de continuar su camino. Mientras está en pausa, los puntos que representan la posición de la persona pueden agruparse en el mismo lugar.

"Cuando miras los datos, tiene un montón de puntos agrupados cuando se detiene a una persona, "Dice Lasota." Si solo está considerando la distancia entre puntos como su métrica de alineación, eso puede ser confuso, porque están todos muy juntos, y no tienes una buena idea de con qué punto debes alinearte ".

Lo mismo ocurre con las trayectorias superpuestas, casos en los que una persona se mueve hacia adelante y hacia atrás por un camino similar. Lasota dice que si bien la posición actual de una persona puede alinearse con un punto en una trayectoria de referencia, Los algoritmos existentes no pueden diferenciar entre si esa posición es parte de una trayectoria que se aleja, o volviendo por el mismo camino.

"Puede tener puntos muy cercanos en términos de distancia, pero en términos de tiempo, la posición de una persona en realidad puede estar lejos de un punto de referencia, "Dice Lasota.

Todo está en el tiempo

Como solución Lasota y Shah idearon un algoritmo de "trayectoria parcial" que alinea segmentos de la trayectoria de una persona en tiempo real con una biblioteca de trayectorias de referencia recopiladas previamente. En tono rimbombante, el nuevo algoritmo alinea trayectorias tanto en distancia como en tiempo, y al hacerlo, es capaz de anticipar con precisión las paradas y superposiciones en el camino de una persona.

"Digamos que has ejecutado tanto movimiento, "Lasota explica." Las viejas técnicas dirán:"Este es el punto más cercano en esta trayectoria representativa para ese movimiento". Pero dado que solo completó esta gran parte en un corto período de tiempo, la parte de tiempo del algoritmo dirá, 'basado en el tiempo, es poco probable que ya estés de regreso, porque acabas de comenzar tu movimiento "".

El equipo probó el algoritmo en dos conjuntos de datos de movimiento humano:uno en el que una persona cruzó intermitentemente el camino de un robot en una configuración de fábrica (estos datos se obtuvieron de los experimentos del equipo con BMW), y otro en el que el grupo registró previamente los movimientos de las manos de los participantes que se extendían a través de una mesa para instalar un perno que un robot aseguraría aplicando sellador en el perno.

Para ambos conjuntos de datos, El algoritmo del equipo pudo hacer mejores estimaciones del progreso de una persona a través de una trayectoria, en comparación con dos algoritmos de alineación de trayectoria parcial de uso común. Es más, el equipo descubrió que cuando integraron el algoritmo de alineación con sus predictores de movimiento, el robot podría anticipar con mayor precisión la sincronización del movimiento de una persona. En el escenario de la planta de producción, por ejemplo, encontraron que el robot era menos propenso a congelarse en su lugar, y en su lugar reanudó su tarea sin problemas poco después de que una persona se cruzara en su camino.

Si bien el algoritmo se evaluó en el contexto de la predicción de movimiento, También se puede utilizar como un paso de preprocesamiento para otras técnicas en el campo de la interacción humano-robot. como el reconocimiento de acciones y la detección de gestos. Shah dice que el algoritmo será una herramienta clave para permitir que los robots reconozcan y respondan a patrones de movimientos y comportamientos humanos. Por último, esto puede ayudar a humanos y robots a trabajar juntos en entornos estructurados, como la configuración de fábrica e incluso, en algunos casos, el hogar.

"Esta técnica podría aplicarse a cualquier entorno donde los humanos exhiban patrones típicos de comportamiento, "Dice Shah." La clave es que el sistema [robótico] puede observar patrones que ocurren una y otra vez, para que pueda aprender algo sobre el comportamiento humano. Todo esto está en la línea del trabajo del robot para comprender mejor los aspectos del movimiento humano, para poder colaborar mejor con nosotros ".

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.