在符合ISO/TS 15066标准的人机安全框架中的深度学习方法分析

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 人与机器人的交互

背景情况:

• 协作机器人 (cobots) 越来越多地用于制造业,需要人机器人密切接近.
• 当前的安全标准 (ISO/TS-15066) 规定了速度限制,这可能会阻碍协作任务的效率.
• 现有的安全系统往往缺乏细粒度来区分人体部位,导致保守的操作.

研究的目的:

• 引入一种基于深度学习的新型人机安全框架 (HRSF).
• 为了实现基于实时的人机器人分离距离的机器人速度的动态适应.
• 通过遵守生物力学力和压力限制,同时优化任务效率,保持安全.

主要方法:

• 研究了四种用于人体提取的深度学习方法:识别,细分,姿势估计和身体部位细分.
• 开发了一个框架,将个人人体部位与环境区分开来.
• 基于近距离和安全约束来实现机器人控制的动态速度调整.

主要成果:

• 拟议的HRSF成功地区分了人体部位,从而实现了更细致的安全响应.
• 实验显示,与传统安全技术相比,循环时间的量化减少高达15%.
• 该框架展示了在协作制造任务中显著提高效率的潜力.

结论:

• 基于深度学习的HRSF在人机协作安全性和效率方面取得了重大进展.
• 通过动态调整机器人的行为以适应人体各个部位,该框架克服了传统安全系统的局限性.
• 这种方法为更加集成和高效的人机工作空间铺平了道路.