使用骨位置来估计远程操纵器操作员的人类错误率
Thomas Piercy1, Guido Herrmann1, Angelo Cangelosi1
1Faculty of Science and Engineering, The University of Manchester, Manchester, United Kingdom.
Frontiers in robotics and AI
|January 24, 2024
概括
这项研究引入了一种非侵入性方法,通过分析操作员生物力学来估计电话机器人的人类错误. 机器学习模型预测碰撞率,旨在通过实时反提高安全性.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人与计算机的交互
- 生物力学 生物力学
背景情况:
- 远程机器人操作带有固有的风险,原因是复杂的任务和操作员错误的可能性.
- 现有的操作员监控方法缺乏实时,数据驱动的行为洞察力.
- 提高远程操作的安全性需要先进的系统来预测和减轻人类错误.
研究的目的:
- 开发和试验一种非侵入性系统,用于捕获远程操作员的生物力学特征.
- 为工业远程操作创建新的人为错误率估计器.
- 为未来的系统奠定基础,提供操作员反以提高安全性.
主要方法:
- 利用深度摄像机的3D点云数据来估计操作员的骨架姿势.
- 对使用MASCOT远程操作系统的14名运营商进行了现场监测研究.
- 采用统计和机器学习回归技术 (SVR) 来从捕获的数据中估计碰撞率.
主要成果:
- 从8小时的操作员数据中成功捕获了骨姿势和碰撞统计数据.
- 证明了使用数据驱动分析来估计碰撞率的可行性.
- 对回归模型的选定的输入特征进行了灵敏度分析.
结论:
- 一种非侵入性的生物力学特征捕获方法对于分析远程操作员性能是有效的.
- 数据驱动的方法,特别是SVR,在估计远程操作中的人为错误率方面表现有前途.
- 开发的系统为未来研究实时操作员反以提高安全提供了基础.
