在2018年，麻省理工学院和汽车制造商宝马公司的研究人员正在测试人类和机器人可能在靠近组装汽车零件时工作的方式。在工厂车间设置的复制品中，该团队在轨道上安装了一个机器人，用于在工作站之间交付零件。与此同时，人类工作人员经常穿越其路径到附近的车站工作。
如果一个人经过，机器人被编程为暂时停止。但研究人员注意到，机器人经常会在一个人越过它的路径之前冻结到位，过于谨慎。如果这发生在真实的制造环境中，那么这种不必要的停顿可能会累积到显着的低效率。
该团队将问题追溯到机器人运动预测软件所使用的机器人轨迹对齐算法的局限性。虽然他们可以合理地预测一个人的前进方向，但由于时间不对齐，算法无法预测该人在预测路径上的任何一点花费多长时间 - 在这种情况下，一个人需要多长时间停下来，然后再双回并再次越过机器人的路径。
现在，同一麻省理工学院团队的成员已经提出了一个解决方案：一种能够实时准确地对齐部分轨迹的算法，允许运动预测器准确地预测人的运动时间。当他们将新算法应用于宝马工厂车间实验时，他们发现，当人们再次走过时，机器人只是滚动并且安全地离开了，而不是冻结到位。
麻省理工学院航空航天副教授Julie Shah说：“这种算法构建的组件可以帮助机器人理解和监控运动中的停止和重叠，这是人体运动的核心部分。”“这项技术是我们致力于让机器人更好地了解人们的众多方式之一。”
Shah和她的同事，包括项目负责人和研究生Przemyslaw“Pem”Lasota，将于本月在德国的机器人：科学与系统会议上展示他们的成果。
聚集起来
为了使机器人能够预测人体运动，研究人员通常从音乐和语音处理中借用算法。这些算法被设计为对齐两个完整的时间序列或一组相关数据，例如音乐表演的音轨和该乐曲的乐谱的滚动视频。
研究人员使用类似的对齐算法来同步实时和先前记录的人体运动测量值，以预测一个人将在何处，比如说，从现在起五秒钟。但与音乐或语音不同，人体运动可能是混乱的，而且变化很大。即使是重复的动作，例如穿过桌子拧入螺栓，每次一个人可能会略有不同的移动。
现有算法通常以表示人的位置随时间的点的形式接收流式运动数据，并将这些点的轨迹与给定场景的共同轨迹库进行比较。算法根据点之间的相对距离来映射轨迹。
但拉索塔说，基于距离单独预测轨迹的算法在某些常见情况下很容易混淆，例如临时停留，人们在继续前进之前会暂停。暂停时，代表该人位置的点可以聚集在同一位置。
“当你看到这些数据时，当一个人停下来时，你会将一大堆点聚集在一起，”Lasota说。“如果你只是将点之间的距离看作是对齐度量标准，那可能会让人感到困惑，因为它们都很接近，而且你不清楚你必须对齐哪一点。”
重叠的轨迹也是如此 - 当一个人沿着类似的路径来回移动时的情况。Lasota表示，虽然一个人的当前位置可能与参考轨迹上的一个点对齐，但现有的算法无法区分该位置是否是一条轨迹的一部分，或者沿着相同的路径返回。
“你可能在距离方面有一些点，但就时间而言，一个人的位置实际上可能远离参考点，”Lasota说。
一切都在时机
作为一种解决方案，Lasota和Shah设计了一种“部分轨迹”算法，该算法实时地将人的轨迹的各个部分与先前收集的参考轨迹的库对齐。重要的是，新算法在距离和时间上对齐轨迹，并且这样做，能够准确地预测人的路径中的停止和重叠。
“说你已经执行了这么多动议，”Lasota解释道。“旧技术会说，'这是该动议代表轨迹的最接近点。'但是由于你只是在很短的时间内完成了这么多，算法的计时部分会说，“基于时间，你不可能已经回来了，因为你刚开始你的动作。 “”
该团队在两个人体运动数据集上测试了该算法：一个人在工厂环境中间歇性地穿过机器人的路径(这些数据来自团队对宝马的实验)，另一个团队先前记录了参与者的手部动作穿过桌子安装一个螺栓，然后机器人通过刷上螺栓上的密封剂来固定螺栓。
对于这两个数据集，与两种常用的部分轨迹对齐算法相比，该团队的算法能够更好地估计一个人通过轨迹的进度。此外，该团队发现，当他们将对齐算法与其运动预测器集成时，机器人可以更准确地预测人的运动时间。例如，在工厂车间场景中，他们发现机器人不太容易冻结到位，而是在一个人越过它的路径后不久顺利地恢复了它的任务。
虽然算法是在运动预测的背景下进行评估的，但它也可以用作人机交互领域中其他技术的预处理步骤，例如动作识别和手势检测。Shah说，该算法将成为使机器人能够识别和响应人类运动和行为模式的关键工具。最终，这可以帮助人类和机器人在结构化环境中协同工作，例如工厂设置，甚至在某些情况下，家庭。
“这种技术可以应用于人类表现出典型行为模式的任何环境，”Shah说。“关键是，[机器人]系统可以观察到反复出现的模式，这样它就可以学到一些关于人类行为的东西。这一切都在机器人的工作中更好地理解人体运动的各个方面，能够与我们更好地合作。“
该研究部分由美国宇航局空间技术研究奖学金和国家科学基金会资助。
