Safe Human-Robot-Collaboration (HRC) based on a new concept considering human movement variability: Presentation held at IROS 2017, Friendly People, Friendly Robots, Vancouver, September 24 - 28, 2017
Notice bibliographique
Résumé
3D-simulation of human-robot work places and processes allows the prediction of failures during manufacturing at an early stage. Furthermore, it helps to optimize the production processes. In human robot collaboration (HRC) scenarios, while machines and robots work reliably and predictably, humans can vary in their movements and actions without an obvious reason. This is a particular challenge during the planning and simulating of HRC processes. For safe and realistic simulation of Human-Robot-Collaboration-scenarios, existing digital human models should be further developed taking into account the variability of human movements. This paper will represent a new concept considering the human movement variability in HRC applications. This concept will be later integrated in 3D-simulation for insuring the safety and efficiency of HRC-processes during the offline planning phase. Furthermore, the standard safety requirements and industrial standards in HRC applications will be also considered in this approach. As a result, this paper shows a procedural method in which the human movement variability in HRC can be examined on the basis of empirical studies. The results of these studies will be used to describe the human movement variability in HRC in a mathematical model. In further developments this model will be implemented for the automatic design of the safety technology in HRC applications.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,007 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,064 | 0,016 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».