MétaCan
Menu
Retour à la cohorte
Enregistrement W2616886632 · doi:10.1177/0278364917709941

Cooperative gestures for industry: Exploring the efficacy of robot hand configurations in expression of instructional gestures for human–robot interaction

2017· article· en· W2616886632 sur OpenAlexaff
Sara Sheikh‐Oleslami, AJung Moon, Elizabeth A. Croft

Notice bibliographique

RevueThe International Journal of Robotics Research · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueHand Gesture Recognition Systems
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésGestureNonverbal communicationRobotSet (abstract data type)Computer scienceHuman–computer interactionHuman–robot interactionTask (project management)Context (archaeology)Artificial intelligenceAction (physics)Human communicationEngineeringCommunicationPsychology

Résumé

récupéré en direct d'OpenAlex

Fast and reliable communication between human worker(s) and robotic assistants is essential for successful collaboration between the agents. This is especially true for typically noisy manufacturing environments that render verbal communication less effective. In this work, we investigate the efficacy of nonverbal communication capabilities of robotic manipulators that have poseable, three-fingered end-effectors (hands). We explore the extent to which different poses of a typical robotic gripper can effectively communicate instructional messages during human–robot collaboration. Within the context of a collaborative car door assembly task, we conducted a series of three studies. We first observed the type of hand configurations that humans use to nonverbally instruct another person (Study 1, N = 17); based on the observation, we examined how well human gestures with frequently used hand configurations are understood by recipients of the message (Study 2, N = 140). Finally, we implemented the most human-recognized human hand configurations on a seven-degree-of-freedom robotic manipulator to investigate the efficacy of having human-inspired hand poses on a robotic hand compared to an unposed hand (Study 3, N = 100). Contributions of this work include presentation of a set of hand configurations humans commonly use to instruct another person in a collaborative assembly scenario, as well as recognition rate and recognition confidence measures for the gestures that humans and robots express using different hand configurations. Results indicate that most gestures are better recognized with a higher level of confidence when displayed with a posed robot hand.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,030
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,309
Tête enseignante GPT0,466
Écart entre enseignants0,157 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe International Journal of Robotics ResearchMême sujetHand Gesture Recognition SystemsTravaux en français237 207