Real-time 3D Collision Avoidance Method for Safe Human and Robot Coexistence
Notice bibliographique
Résumé
A novel solution to the three-dimensional dynamic human-robot collision problem is presented. Sphere-based geometric models are used for the human and robot due to the efficiency of the distance computation. The collision avoidance algorithm searches for collision-free paths by moving the end-effector along a set of pre-defined search directions. An optimization method is employed to select the search direction that balances between the robot approaching its goal location, and maximizing the distances between the human and robot models. The optimization incorporates predictions of the motions of the robot and human to reduce the negative effects of a non-instantaneous robot time response. The robot prediction is based on a transfer function model of its experimental time response at the joint level. The human prediction is performed at the sphere level using the weighted mean of past velocities. Predicting at the sphere level eliminates the difficulty introduced by the limbs moving in different directions. After describing the collision avoidance algorithm, a human walking towards a moving Puma robot arm is simulated. Captured motion data is used to make the human motion realistic. Monte Carlo simulations using 1000 random human walking paths passing through the robot workspace are used to evaluate the algorithm. The algorithm prevented all collisions due to the robot. The algorithm is deterministic and efficient enough to be used in real-time. On a 1.8 GHz Pentium IV PC, a 40 Hz sampling rate was achieved
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».