L'algorithme MIT aide les robots à mieux prédire le mouvement humain

L'algorithme MIT aide les robots à mieux prédire le mouvement humain
4.1 (82.22%) 36 votes


Un nouvel algorithme aide les robots à prévoir les chemins empruntés par les personnes dans des environnements structurés. | Crédit: MIT News

En 2018, des chercheurs du MIT et du constructeur automobile BMW ont testé des moyens permettant à des humains et à des robots de travailler à proximité pour assembler des pièces automobiles. Dans une réplique d'un environnement d'usine, l'équipe a monté un robot sur des rails, conçu pour acheminer les pièces entre les postes de travail. Pendant ce temps, des travailleurs humains croisaient son chemin de temps en temps pour travailler dans des gares à proximité.

Le robot était programmé pour s’arrêter momentanément si une personne passait. Mais les chercheurs ont remarqué que le robot se figeait souvent sur place, avec une prudence excessive, bien avant que quelqu'un ne le croise. Si cela se produisait dans un contexte réel de fabrication, de telles pauses inutiles pourraient s’accumuler et devenir inefficaces.

L’équipe a tracé le problème à une limitation des algorithmes d’alignement de trajectoire du robot utilisés par le logiciel de prédiction de mouvement du robot. Alors qu’ils pouvaient raisonnablement prédire où une personne se dirigeait, en raison du manque d’alignement temporel, les algorithmes ne pouvaient prévoir le temps que cette personne passait à un moment quelconque de leur trajectoire prévue – et dans ce cas, le temps qu’il faudrait à une personne Arrêtez-vous, puis doublez-vous et croisez à nouveau le chemin du robot

Maintenant, les membres de cette même équipe du MIT ont mis au point une solution: un algorithme qui aligne avec précision les trajectoires partielles en temps réel, permettant aux prédicteurs de mouvement d’anticiper avec précision le minutage du mouvement d’une personne. Lorsqu'ils ont appliqué le nouvel algorithme aux expériences sur le sol de l'usine BMW, ils ont découvert qu'au lieu de rester figé sur place, le robot avait simplement roulé dessus et était hors de danger au moment où la personne revenait.

«Cet algorithme intègre des composants qui aident un robot à comprendre et à surveiller les arrêts et les chevauchements de mouvements, qui constituent une partie essentielle du mouvement humain», explique Julie Shah, professeure agrégée d'aéronautique et d'astronautique au MIT. «Cette technique est l’un des nombreux moyens par lesquels nous travaillons sur les robots pour mieux comprendre les gens.»

Shah et ses collègues, y compris Przemyslaw «Pem» Lasota, chef de projet et étudiant diplômé, présenteront leurs résultats ce mois-ci à la conférence Robotics: Science and Systems en Allemagne.

Clustered up

Pour permettre aux robots de prédire les mouvements humains, les chercheurs empruntent généralement des algorithmes au traitement de la musique et de la parole. Ces algorithmes sont conçus pour aligner deux séries chronologiques complètes, ou des ensembles de données connexes, tels qu'une piste audio d'une performance musicale et une vidéo défilante de la notation musicale de cette pièce.

Les chercheurs ont utilisé des algorithmes d'alignement similaires pour synchroniser les mesures du mouvement humain enregistrées en temps réel et précédemment enregistrées, afin de prédire où une personne se trouverait, disons, dans cinq secondes. Mais contrairement à la musique ou à la parole, le mouvement humain peut être désordonné et très variable. Même pour les mouvements répétitifs, tels que passer la main sur une table pour visser un boulon, une personne peut se déplacer légèrement différemment à chaque fois.

Les algorithmes existants prennent généralement en flux de données de mouvement, sous la forme de points représentant la position d'une personne dans le temps, et comparent la trajectoire de ces points à une bibliothèque de trajectoires communes pour le scénario donné. Un algorithme mappe une trajectoire en termes de distance relative entre les points.

Mais Lasota dit que les algorithmes qui prédisent des trajectoires basées uniquement sur la distance peuvent être facilement confondus dans certaines situations courantes, telles que des arrêts temporaires, dans lesquels une personne fait une pause avant de poursuivre son chemin. En pause, les points représentant la position de la personne peuvent se regrouper au même endroit.

«Lorsque vous regardez les données, vous avez toute une série de points regroupés quand une personne est arrêtée», explique Lasota. "Si vous regardez uniquement la distance entre les points comme métrique d'alignement, cela peut être déroutant, car ils sont tous proches les uns des autres et vous ne savez pas trop à quel point vous devez vous aligner."

Il en va de même avec les trajectoires qui se chevauchent – des cas où une personne va et vient sur un chemin similaire. Lasota explique que si la position actuelle d’une personne peut s’aligner sur un point de la trajectoire de référence, les algorithmes existants ne permettent pas de distinguer si cette position fait partie d’une trajectoire partant ou revenant sur la même trajectoire.

"Vous pouvez avoir des points proches les uns des autres en termes de distance, mais en termes de temps, la position d'une personne peut en réalité être loin d'un point de référence", explique Lasota.

Tout est dans le timing

En guise de solution, Lasota et Shah ont mis au point un algorithme de «trajectoire partielle» qui aligne les segments de la trajectoire d’une personne en temps réel sur une bibliothèque de trajectoires de référence précédemment collectées. Il est important de noter que le nouvel algorithme aligne les trajectoires à la fois en distance et en synchronisation, ce qui permet d’anticiper avec précision les arrêts et les chevauchements sur le trajet d’une personne.

«Supposons que vous ayez exécuté une telle motion», explique Lasota. "Les anciennes techniques diront" c’est le point le plus proche de cette trajectoire représentative pour ce mouvement. "Mais comme vous n’avez terminé ce travail qu’en très peu de temps, la partie temporelle de l’algorithme dira:" il est peu probable que vous soyez sur le chemin du retour, car vous venez juste de commencer votre motion. "

L’équipe a testé l’algorithme sur deux ensembles de données sur le mouvement humain: l’une dans laquelle une personne croisait de manière intermittente la trajectoire d’un robot dans une configuration d’usine (ces données provenaient des expériences de l’équipe avec BMW), et l’autre dans laquelle le groupe enregistrait auparavant les mouvements des mains des participants. tendre la main sur une table pour installer un boulon qu’un robot fixerait ensuite en brossant le scellant sur le boulon.

Pour les deux ensembles de données, l’algorithme de l’équipe a permis de mieux estimer la progression d’une personne sur une trajectoire, par rapport à deux algorithmes d’alignement de trajectoire partielle couramment utilisés. De plus, l’équipe a découvert que, lorsqu’ils intégraient l’algorithme d’alignement avec leurs prédicteurs de mouvement, le robot pouvait anticiper avec plus de précision le minutage du mouvement d’une personne. Dans le scénario d'usine, par exemple, ils ont découvert que le robot était moins enclin à geler sur place et a plutôt repris sa tâche en douceur, peu de temps après le passage d'une personne.

Bien que l’algorithme ait été évalué dans le contexte de la prédiction de mouvement, il peut également être utilisé comme étape de prétraitement pour d’autres techniques dans le domaine de l’interaction homme-robot, telles que la reconnaissance d’action et la détection de gestes. Shah dit que l'algorithme sera un outil clé permettant aux robots de reconnaître et de réagir aux schémas de mouvements et de comportements humains. En fin de compte, cela peut aider les humains et les robots à travailler ensemble dans des environnements structurés, tels que les réglages d'usine et même, dans certains cas, la maison.

«Cette technique pourrait s’appliquer à n’importe quel environnement où l’être humain présente des schémas comportementaux typiques», explique Shah. «La clé est que le système (robotique) peut observer des modèles qui se répètent sans cesse, de sorte qu'il puisse apprendre quelque chose sur le comportement humain. Tout cela dans l’esprit du travail du robot comprend mieux les aspects du mouvement humain, pour pouvoir mieux collaborer avec nous. ”

Cette recherche a été financée en partie par une bourse de recherche sur les technologies spatiales de la NASA et la National Science Foundation.

Note de l'éditeur: Cet article a été republié avec la permission de.

<! – ->