Em 2018, pesquisadores do MIT e da fabricante de automóveis BMW estavam testando maneiras pelas quais humanos e robôs poderiam trabalhar próximos para montar peças de automóveis. Em uma réplica de uma configuração de chão de fábrica, a equipe montou um robô sobre trilhos, projetado para entregar peças entre estações de trabalho. Enquanto isso, trabalhadores humanos cruzavam seu caminho de vez em quando para trabalhar em estações próximas.

O robô foi programado para parar momentaneamente se uma pessoa passasse. Mas os pesquisadores notaram que o robô costuma congelar no lugar, excessivamente cauteloso, muito antes de uma pessoa cruzar seu caminho. Se isso acontecesse em um ambiente de manufatura real, essas pausas desnecessárias podem se acumular em ineficiências significativas.

A equipe rastreou o problema até uma limitação nos algoritmos de alinhamento de trajetória do robô usados ​​pelo software de previsão de movimento do robô. Embora eles pudessem prever razoavelmente para onde uma pessoa estava indo, devido ao mau alinhamento de tempo, os algoritmos não podiam prever quanto tempo essa pessoa gastou em qualquer ponto ao longo de seu caminho previsto - e, neste caso, quanto tempo levaria para uma pessoa parar, então volte e cruze o caminho do robô novamente.

Agora, membros da mesma equipe do MIT encontraram uma solução:um algoritmo que alinha com precisão as trajetórias parciais em tempo real, permitindo que os preditores de movimento antecipem com precisão o momento do movimento de uma pessoa. Quando eles aplicaram o novo algoritmo aos experimentos de chão de fábrica da BMW, eles descobriram isso, em vez de congelar no lugar, o robô simplesmente avançou e estava seguro fora do caminho quando a pessoa passou novamente.

"Este algoritmo constrói componentes que ajudam um robô a entender e monitorar paradas e sobreposições em movimento, que são uma parte essencial do movimento humano, "diz Julie Shah, professor associado de aeronáutica e astronáutica no MIT. "Esta técnica é uma das muitas maneiras pelas quais trabalhamos em robôs para entender melhor as pessoas."

Shah e seus colegas, incluindo o líder do projeto e aluno de pós-graduação Przemyslaw "Pem" Lasota, irá apresentar seus resultados este mês na conferência Robotics:Science and Systems na Alemanha.

Para permitir que os robôs prevejam os movimentos humanos, os pesquisadores normalmente pegam emprestados algoritmos de processamento de música e fala. Esses algoritmos são projetados para alinhar duas séries temporais completas, ou conjuntos de dados relacionados, como uma faixa de áudio de uma apresentação musical e um vídeo de rolagem da notação musical dessa peça.

Os pesquisadores usaram algoritmos de alinhamento semelhantes para sincronizar medições em tempo real e previamente registradas do movimento humano, para prever onde uma pessoa estará, dizer, daqui a cinco segundos. Mas, ao contrário da música ou da fala, o movimento humano pode ser confuso e altamente variável. Mesmo para movimentos repetitivos, como estender a mão sobre uma mesa para aparafusar um parafuso, uma pessoa pode se mover ligeiramente diferente a cada vez.

Os algoritmos existentes normalmente usam dados de movimento de streaming, na forma de pontos que representam a posição de uma pessoa ao longo do tempo, e compare a trajetória desses pontos com uma biblioteca de trajetórias comuns para o cenário dado. Um algoritmo mapeia uma trajetória em termos da distância relativa entre os pontos.

Mas Lasota diz que algoritmos que prevêem trajetórias com base apenas na distância podem ser facilmente confundidos em certas situações comuns, como paradas temporárias, em que uma pessoa faz uma pausa antes de continuar em seu caminho. Durante a pausa, os pontos que representam a posição da pessoa podem se amontoar no mesmo local.

"Quando você olha os dados, você tem um monte de pontos agrupados quando uma pessoa é interrompida, "Lasota diz." Se você está apenas olhando para a distância entre os pontos como sua métrica de alinhamento, isso pode ser confuso, porque eles estão todos próximos, e você não tem uma boa ideia de qual ponto deve se alinhar. "

O mesmo acontece com trajetórias sobrepostas - instâncias em que uma pessoa se move para frente e para trás ao longo de um caminho semelhante. Lasota diz que embora a posição atual de uma pessoa possa se alinhar com um ponto em uma trajetória de referência, algoritmos existentes não podem diferenciar se essa posição é parte de uma trajetória indo embora, ou voltando pelo mesmo caminho.

"Você pode ter pontos próximos em termos de distância, mas em termos de tempo, a posição de uma pessoa pode realmente estar longe de um ponto de referência, "Lasota diz.

Está tudo no tempo

Como solução, Lasota e Shah desenvolveram um algoritmo de "trajetória parcial" que alinha segmentos da trajetória de uma pessoa em tempo real com uma biblioteca de trajetórias de referência coletadas anteriormente. Mais importante, o novo algoritmo alinha trajetórias em distância e tempo, e assim fazendo, é capaz de antecipar com precisão paradas e sobreposições no caminho de uma pessoa.

"Digamos que você tenha executado esse tipo de movimento, "Lasota explica." As velhas técnicas dirão:'este é o ponto mais próximo nesta trajetória representativa para aquele movimento. "Mas como você só completou isso em um curto período de tempo, a parte do tempo do algoritmo dirá, 'com base no tempo, é improvável que você já esteja voltando, porque você acabou de iniciar seu movimento. ""

A equipe testou o algoritmo em dois conjuntos de dados de movimento humano:um em que uma pessoa cruzou intermitentemente o caminho de um robô em uma configuração de fábrica (esses dados foram obtidos a partir de experimentos da equipe com BMW), e outro em que o grupo registrou previamente os movimentos das mãos dos participantes estendendo-se sobre uma mesa para instalar um parafuso que um robô então fixaria passando selante no parafuso.

Para ambos os conjuntos de dados, o algoritmo da equipe foi capaz de fazer melhores estimativas do progresso de uma pessoa ao longo de uma trajetória, em comparação com dois algoritmos de alinhamento de trajetória parcial comumente usados. Além disso, a equipe descobriu que, quando integrou o algoritmo de alinhamento com seus preditores de movimento, o robô pode antecipar com mais precisão o tempo de movimento de uma pessoa. No cenário de chão de fábrica, por exemplo, eles descobriram que o robô era menos sujeito a congelar no local, e, em vez disso, retomou suavemente sua tarefa logo depois que uma pessoa cruzou seu caminho.

Enquanto o algoritmo foi avaliado no contexto da previsão de movimento, também pode ser usado como uma etapa de pré-processamento para outras técnicas no campo da interação homem-robô, como reconhecimento de ação e detecção de gesto. Shah diz que o algoritmo será uma ferramenta fundamental para permitir que os robôs reconheçam e respondam aos padrões de movimentos e comportamentos humanos. Em última análise, isso pode ajudar humanos e robôs a trabalharem juntos em ambientes estruturados, como configurações de fábrica e até mesmo, em alguns casos, a casa.

"Esta técnica pode ser aplicada a qualquer ambiente onde os humanos exibam padrões típicos de comportamento, "Shah diz." A chave é que o sistema [robótico] pode observar padrões que ocorrem continuamente, para que possa aprender algo sobre o comportamento humano. Tudo isso segue a linha de trabalho do robô para entender melhor os aspectos do movimento humano, para poder colaborar melhor conosco. "

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.