安全を考慮した学習ベースのタスクスケジューリングによる効率的な人間とロボットの協働
Learning-Based Safety-Aware Task Scheduling for Efficient Human-Robot Collaboration
深層学習モデルでシステム状態と安全による速度低下の関係を学習し、安全性を保ちつつサイクルタイムを最小化するタスク選択を最適化する手法を提案。ピック・パッケージング実験でサイクルタイムの大幅な短縮を実証した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: M. Faroni, A. Spano, A. M. Zanchettin, P. Rocco
分類: cs.RO
原文アブストラクト
Ensuring human safety in collaborative robotics can compromise efficiency because traditional safety measures increase robot cycle time when human interaction is frequent. This paper proposes a safety-aware approach to mitigate efficiency losses without assuming prior knowledge of safety logic. Using a deep-learning model, the robot learns the relationship between system state and safety-induced speed reductions based on execution data. Our framework does not explicitly predict human motions but directly models the interaction effects on robot speed, simplifying implementation and enhancing generalizability to different safety logics. At runtime, the learned model optimizes task selection to minimize cycle time while adhering to safety requirements. Experiments on a pick-and-packaging scenario demonstrated significant reductions in cycle times.
