算法告诉机器人附近的人要去哪里

2018年，麻省理工学院(MIT)和汽车制造商宝马(BMW)的研究人员正在测试人类和机器人可以近距离工作组装汽车零部件的方法。在一个仿照工厂车间设置的模型中，该团队在铁轨上装配了一个机器人，用于在不同的工作站之间运送零件。与此同时，人类工人经常穿过这条路到附近的车站工作。

如果有人经过这个机器人，它就会立即停下来。但研究人员注意到，机器人经常会原地不动，过于谨慎，早在有人穿过它的路径之前。如果这种情况发生在真实的生产环境中，这种不必要的停顿可能会累积为显著的低效。

研究小组将问题追溯到机器人的运动预测软件所使用的机器人轨迹对准算法的局限性。时可以合理地预测一个人领导,由于穷人时间对齐算法无法预测这个人花了多长时间在任何时候在他们的预测路径,在这种情况下,需要多长时间一个人停下来,然后双再次和交叉机器人的路径。

现在，麻省理工团队的成员已经提出了一个解决方案:一种算法可以实时精确地对齐部分轨迹，允许运动预测器精确地预测一个人的运动时间。当他们将新算法应用到宝马工厂的实验中，他们发现，机器人并没有原地不动，而是简单地向前滚动，当这个人再次经过时，机器人已经安全离开了路。

麻省理工学院(MIT)航空航天副教授朱莉•沙阿(Julie Shah)表示:“这个算法内置了一些组件，帮助机器人理解和监控运动中的停顿和重叠，而这些是人类运动的核心部分。”“这项技术是我们研究机器人更好地理解人类的众多方法之一。”

Shah和她的同事，包括项目负责人和研究生Przemyslaw“Pem”Lasota，将在本月的德国机器人科学与系统会议上展示他们的研究结果。

聚集了

为了使机器人能够预测人类的动作，研究人员通常借用音乐和语音处理的算法。这些算法的目的是对齐两个完整的时间序列或相关数据集，比如音乐表演的音轨和该乐曲的乐谱的滚动视频。

研究人员使用了类似的对齐算法来同步实时和先前记录的人体运动测量数据，从而预测一个人在五秒钟后的位置。但与音乐或语言不同的是，人类的动作可能是混乱的，而且高度多变。即使是重复的动作，比如穿过桌子去拧紧螺钉，每个人每次的动作也可能略有不同。

现有的算法通常采用流式运动数据，以点的形式表示一个人随时间的位置，并将这些点的轨迹与给定场景的公共轨迹库进行比较。算法根据点之间的相对距离来绘制轨迹。

但是拉索塔说，在某些常见的情况下，仅根据距离来预测轨迹的算法很容易被混淆，比如临时停车，也就是一个人在继续前行之前会停下来。当暂停时，代表这个人位置的点可以聚集在同一个位置。

拉索塔说:“当你查看数据时，当一个人被拦下时，你会看到一大堆的点聚集在一起。”“如果你只把点与点之间的距离作为对齐度量，这可能会让人感到困惑，因为它们都很接近，而且你不知道必须对齐到哪个点。”

同样的道理也适用于重叠的轨迹——比如一个人沿着相似的轨迹来回移动。拉索塔说，虽然一个人当前的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这个位置是偏离轨迹的一部分，还是沿着同一路径返回。

拉索塔说:“从距离上看，你可能有一些点靠得很近，但从时间上看，一个人的位置可能离参考点很远。”

一切都取决于时机

作为一种解决方案，拉索塔和沙阿设计了一种“部分轨迹”算法，将一个人的轨迹片段与之前收集的参考轨迹库实时对齐。重要的是，新算法在距离和时间上都对轨迹进行了对齐，因此能够准确预测一个人路径上的停顿和重叠。

拉索塔解释说:“假设你已经执行了这么多动作。“旧的技术会说，‘这是代表那个运动轨迹上最近的点。但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，‘根据计时，你不太可能已经在回去的路上了，因为你刚刚开始运动。’”

团队测试算法在两个人类运动数据集:一个人间歇性地交叉在工厂机器人的路径设置(这些数据都来自团队的实验与宝马),和另一个小组先前记录的手部运动的参与者跨越一个表,安装一个螺栓,一个机器人就会安全通过刷密封胶在螺栓上。

对于这两个数据集，与两种常用的部分轨迹对准算法相比，该团队的算法能够更好地估计一个人在轨迹上的进展。此外，研究小组发现，当他们将对齐算法与运动预测器集成在一起时，机器人可以更准确地预测一个人的运动时间。例如，在工厂车间的场景中，他们发现机器人不太容易原地冻结，而是在有人穿过它的路径后不久就顺利地恢复了工作。

虽然该算法是在运动预测的背景下进行评估的，但它也可以作为其他人机交互技术的预处理步骤，如动作识别和手势检测等。沙阿说，该算法将成为一个关键工具，使机器人能够识别和响应人类的动作和行为模式。最终，这可以帮助人类和机器人在结构化环境中一起工作，比如工厂设置，甚至在某些情况下，在家里。

沙阿说:“这项技术可以应用于任何人类表现出典型行为模式的环境。”“关键在于，(机器人)系统能够反复观察发生的模式，从而了解人类的一些行为。这一切都是为了让机器人更好地理解人类运动的各个方面，以便更好地与我们合作。”

这项研究的部分资金来自NASA的空间技术研究基金和国家科学基金会。