在终生消费电子产品拆卸任务中识别人类活动

科学领域:

• 机器人和人工智能 机器人和人工智能
• 环境科学与工程环境科学与工程
• 人与计算机的交互

背景情况:

• 随着电子废物 (电子废物) 的增加,需要可持续的回收和再制造工艺.
• 人类的运动/意图感知是自动化电子废物拆卸的关键挑战.
• 人工智能和机器人技术为改善危险环境中的工人安全和效率提供了潜在的解决方案.

研究的目的:

• 开发一个准确的系统来识别电子废物再制造中人类拆卸任务.
• 为回收应用解决人类自主运动感知方面的研究缺口.
• 通过先进的人工智能提高电子废物回收的效率和安全性.

主要方法:

• 收集了超过57万的运动数据,使用22名参与者的惯性测量单位 (IMU).
• 应用了深度学习模型,包括卷积神经网络 (CNN),长期短期记忆 (LSTM) 和googlenet用于任务识别.
• 开发并集成了一种新的基于序列的校正 (SBC) 算法,以提高识别精度.

主要成果:

• 深度学习模型在识别拆解任务时实现了88-92%的初始整体准确性.
• 提出的基于序列的校正 (SBC) 算法显著提高了管道的准确性,达到95%.
• 证明了人工智能在解释工业应用复杂的人类运动方面的有效性.

结论:

• 使用深度学习和IMU数据,可以实现精确的人类运动和意图感知.
• 开发的系统和SBC算法显示出对推进自主电子废物拆卸的重大前景.
• 这项研究有助于制定更安全,更可持续和更有效的电子废物管理策略.