用于估计机械臂姿势并预测其运动的深度学习框架

随着机器人逐渐被引入各种现实世界环境，开发人员和机器人专家将需要确保它们可以安全地围绕人类运行。近年来，他们引入了各种方法来实时估计位置和预测机器人的运动。

巴西伯南布哥联邦大学的研究人员最近创建了一个新的深度学习模型来估计机械臂的姿势并预测它们的运动。该模型在arXiv上预先发表的一篇论文中进行了介绍，专门用于提高机器人在与人类协作或交互时的安全性。

“出于预测人机交互(HRI)期间发生事故的需要，我们探索了一种框架，可以提高在机器人附近工作的人员的安全性，”进行这项研究的研究人员之一DjamelH.Sadok，告诉TechXplore。“姿态检测被视为整体解决方案的重要组成部分。为此，我们提出了一种基于自校准卷积(SCConv)和极限学习机(ELM)的姿态检测新架构。”

估计机器人的姿势是预测其未来运动和意图的重要步骤，进而降低它们与附近物体碰撞的风险。Sadok和他的同事介绍的姿势估计和运动预测方法有两个关键组件，即SCConv和ELM模型。

SCConvs组件改进了他们模型的整体空间和通道依赖性。另一方面，众所周知，ELM方法是一种有效的数据分类方法。

“我们观察到，在我们的应用程序中，没有将这两种技术结合起来的现有研究，”Sadok解释说。“因此，我们决定看看这种组合是否能改善我们的应用。我们还通过应用运动预测、考虑姿势检测、使用递归神经网络(RNN)来改进框架。”

首先，Sodok和他的同事编译了一个自定义数据集，其中包含机械臂与附近人类用户交互的场景图像。为了创建这些图像，他们专门使用了由UniversalRobots制造的机械臂UR-5。

研究人员对这些图像进行了注释，尤其是机械臂的框架。然后，这使他们能够使用新数据集来训练SCNet，这是他们框架的基于SCConv的组件。

“与其他已知架构(例如VGG或ResNet)相比，我们的目标是改善观察到的错误，”Sadok说。“为了提取特征，我们使用SCNet并在网络末端应用EML。接下来我们使用长短期记忆(LSTM)算法和门控循环单元(GRU)来预测运动。我们认为这是一种新方法解决这个问题。”

Sadok和他的同事在一系列初始测试中评估了他们的框架的性能，他们试图估计姿势并预测UR-5手臂的未来运动，因为它正在帮助人类用户完成与维护相关的任务。他们发现它取得了非常有希望的结果，检测机械臂的姿势并以良好的准确度预测其未来的运动。

“我们相信我们的主要贡献是生成了一个能够检测机械臂姿势及其运动的框架，从而提高了手臂的安全性，”Sadok说。“我们还扩展了SSConv和EML的适用性，并验证了它们的组合能力。”

将来，这组研究人员开发的框架可用于提高现有和新开发的机器人系统的安全性。此外，他们使用的SCConv和ELM算法可以适应并应用于其他任务，例如人体姿态估计、对象检测和对象分类。

“我们现在计划将我们的框架扩展到人体姿势检测，并共同提供机器人和姿势估计，”Sadok补充道。“通过结合这两种数据，我们可以对两种运动进行联合预测，从而防止它们在工厂中的相互作用产生的进一步风险，并更好地对风险等级进行分类。”