Task Adaptation in Industrial Human-Robot Interaction: Leveraging Riemannian Motion Policies

在现实世界的工业环境中，现代机器人通常依赖于人类操作员进行关键决策和任务综合。有效和安全的人机协作需要系统能够根据人类意图调整其运动，从而实现动态任务规划和适应。为了满足工业应用的需求，我们提出了一个运动控制框架，它(i)消除了对机器人运动手动控制的需求；(ii)促进了复杂任务的制定和组合；以及(iii)允许无缝集成人类意图识别和机器人运动规划。为此，我们利用了一种模块化和纯反应式的方法进行任务参数化和运动生成，即Riemannian Motion Policies。我们展示了我们方法的有效性，并在受现实工业人机交互环境启发的实验场景中进行了评估和与代表性最先进方法的比较。

论文旨在解决工业环境中人机协作中机器人运动控制的问题，实现动态任务规划和适应，并集成人类意图识别和机器人运动规划。

通过使用Riemannian Motion Policies的模块化和纯反应方法进行任务参数化和运动生成，提出了一种运动控制框架，以消除对机器人运动的手动控制，促进复杂任务的制定和组合。

论文在实验中展示了该方法的有效性，并与代表性的现有方法进行了比较。值得注意的是，论文提出的方法可以无需手动控制机器人运动，同时还可以灵活地进行任务规划和适应，并且可以与人类意图识别和机器人运动规划集成。

该领域的最新相关研究包括：'Human-robot collaboration: a survey'，'Reactive robot control architectures for human-robot collaboration'，'A survey of human-robot interaction in manufacturing environments: what are the safe and ergonomic issues?'等。