ИНЖЕНЕРИНГ РЕВЮ l ВИСОКОТЕХНОЛОГИЧНА АВТОМАТИЗАЦИЯ 41 тенденции жестове, проследяване на жестове и класификация на жестове. С непрекъснато нарастващото използване на колаборативни роботи в индустрията, необходимостта от постигане на безпроблемно взаимодействие човек-робот също се е увеличила, като се има предвид, че това е ключов фактор за постигане на погъвкави, ефективни и ефикасни производствени линии. Като един перспективен инструмент за подпомагане на операторите да разберат и взаимодействат с роботи, добавената реалност (AR) се използва в множество индустриални приложения при взаимодействие човек-робот и кооперативна работа. Резултатите от проучвания, проведени през последните години, показват, че това все още е разширяваща се изследователска област, особено с появата на последните постижения по отношение на HMD устройства за добавена реалност. Освен това подходите, базирани на проектори и HMD дисплеи, имат обещаващо положително влияние върху аспектите, свързани с оператора, като производителност, осъзнаване на задачите и усещане за безопасност, въпреки че HMD дисплеите се нуждаят от допълнително развитие по отношение на ергономията. По-нататъшните изследвания трябва да се съсредоточат върху широкомащабна оценка на решенията за индустриална среда и установяване на стандарти и насоки за разработване на системи за подпомагане на AR. Взаимодействието човек-машина има много различни аспекти. Машинното самообучение играе важна роля в поддържането на различни аспекти на комуникацията между роботи и хора, по-специално в основната интерпретация на сигнали – разпознаване на изображения от камерата, разбиране на реч от аудио сигнал, характеристики при манипулации чрез тактилни сензори и акселерометри. Друг важен аспект се отнася до генерирането на алгоритми за поведение, включително планиране и изпълнение. В повечето случаи интерпретацията на сигнала се основава на класификация, която днес се извършва в много случаи чрез използване на доста сложни архитектури, базирани на deep learning (дълбоко обучение). В много случаи са налични модели за класифициране на обекти и действия на хората. Тяхното разработване е отнело много време и усилия и се считат за общи модели, подходящи за много цели. Тъй като всички са многослойни модели, също така е възможно да се запазят първите, поинтензивни нива на данни и да се обучават модели за конкретни ситуации, например за разпознаване на дейности или обекти, които не са включени в оригиналния набор от данни. Ключови моменти в прилагането на дълбоко обучение при комуникацията човек-робот са необходимостта от обширни набори от данни, обхващащи всички аспекти на конкретното приложение, и необходимостта от огромна изчислителна мощност за изучаване на моделите. Докато вторият проблем може да бъде решен чрез офлайн обучение и с подкрепата на облачни изчисления и центрове за данни, първият е критичен и в много ситуации води до използване на инструменти и модели с малко възможности за адаптиране към конкретно приложение. В някои ситуации събирането на подходящи набори от данни просто не е възможно, така че възниква необходимост от различен подход за обучение. За адаптиране на поведението на робота могат да се следват различни подходи за обучение и различни модели на интерактивност. Имитационното обучение изисква дадена задача да бъде изпълнена от друг (човек или друг робот), а описанията на ситуацията и предприетите действия се считат за изграждане на новия модел. Този подход се обобщава чрез контролирано самообучение, където правилното поведение за дадени ситуации се предоставя директно. Друг обещаващ подход е обучението, при което оценката на работата на робота се използва за насърчаване на правилните действия и елиминиране на неправилните. Като се имат предвид проблемите с безопасността и производителността в реална среда и обикновено дългия период на обучение, необходим за идентифициране на сложни модели, достатъчно общи, за да бъдат използвани в желания диапазон от ситуации, обучението често се извършва чрез симулация, като съществува риск за това доколко реалистично може да бъде обучението в симулирана среда, която не включва реални хора, чието поведение е трудно да се симулира. Същите проблеми важат и за състезателното обучение, където две системи се учат една от друга, отново в симулирана среда. От друга страна, симулираната среда е единствената, в която е възможно да се извърши необходимият обем итерации. Също така комбинирането на различни подходи за обучение може да бъде полезно за някои аспекти и сложни приложения.
RkJQdWJsaXNoZXIy Mzc3Mjk=