通过基于Q学习的任务负载调整和生理数据分析优化人机组合性能
Soroush Korivand1, Gustavo Galvani2, Arash Ajoudani3
1Department of Mechanical Engineering, Southern Methodist University, Dallas, TX 75205, USA.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
这项研究引入了一个框架,使用生理数据预测人机组合 (HRT) 的表现,达到95.45%的准确性. 它还可以动态调整机器人的速度,以优化任务负载并提高协作效率.
科学领域:
- 制造业 制造技术 制造技术
- 人与机器人的交互
- 工业工程 工业工程 工业工程
背景情况:
- 工业4.0和5.0强调人力集成在制造业的定制.
- 人类性能变化需要方法来预测和确保高人机组合 (HRT) 性能.
- 预测绩效需要了解诸如参与度和任务负载等因素.
研究的目的:
- 为预测和最大化HRT绩效提出一个框架.
- 开发一个模型,使用生理数据预测任务性能.
- 动态调整机器人的速度以优化任务负载和加强协作.
主要方法:
- 利用生理数据特征在开发过程中进行性能预测.
- 使用NASA TLX制作的性能标签,质量控制任务记录和Q-Learning用于任务负载指数.
- 仅基于生理数据,在预测HRT性能方面获得了95.45%的准确性.
- 为低性能场景实施动态机器人速度调整.
主要成果:
- 开发了一个HRT性能预测模型,准确度为95.45%.
- 仅靠生理学数据就足以准确预测性能.
- 动态机器人速度调节有效地平衡了任务负载.
- 在人机协作中观察到更高的效率.
结论:
- 拟议的框架使用生理数据准确预测HRT的表现.
- 动态机器人速度调整是优化人机协作的有效策略.
- 这种方法支持将人类融入先进的制造环境.
