Deep learning-based human motion recognition for predictive context-aware collaboration

0 摘要

在智能制造领域中，提升人类操作员与机器人协同工作的效率与安全性是一个关键问题。核心在于人类操作者与机器人在动态环境中的实时交互感知能力。通过分析人类操作者的行为模式，我们能够增强对情境的理解与判断能力。本文运用深度学习技术开展连续人体行为分析及HRC需求预测研究，并通过这一研究路径优化机器人作业规划与控制策略，在发动机装配领域进行方法验证实验并取得良好效果。

1 引言

近年来,HRC已成为智能制造的关键技术. HRC并非将人类操作员与机器人完全分离,而是支持人类操作员与机器人在同一工作空间内协同合作,共同完成相同的任务.在HRC系统中,机器人不仅独立执行自身任务,还主动为操作者提供辅助,特别是在处理复杂任务时.尽管安全控制是首要考虑因素,HRC系统旨在通过提高运营效率和生产率来实现优化运行.为此,HRC系统要求机器人能够实时追踪操作者动作,感知协作情境并预测其后续操作计划.情境感知涉及识别操作者使用的物品以及工作环境特征等关键信息.通过这些数据,机器人能够有效支持人类操作者提高生产效率的同时确保安全.然而,由于不同操作者的个体差异显著,基于情境感知的人机协作也需要相应地动态调整以适应个体差异的变化.Hence,构建一个可靠的人机协作系统要求情境感知与人体行为识别同样重要.

行为识别是构建HRC系统的基石.通过精确跟踪操作者的运动轨迹,可以在HR