Research on safety human-robot collaboration method based on abnormal behavior monitoring

在工业4.0和中国制造2025的浪潮下，智能制造技术已成为各行业争先研究和探索的热点技术。人机协作（HRC）通过人与自动化机器优势互补，实现高效和高度灵活的生产过程，被视为未来工厂定制化、柔性化生产的重要解决方案，是智能制造技术的关键一环。人机协作环境下，人与自动化机器共享工作空间，因此保障人员安全是前提，相关人机安全协作技术的研究已成为热点。本文深入探讨了当前主动式人机安全协作技术的特征及存在的问题，并针对人与关节型机器人协作的场景，以监测协作过程中操作人员的异常行为为手段，对基于异常行为监测的人机安全协作方法展开研究。本文提供了一种人机密切协作环境下保证人员安全的全新思路，构建了从人体运动行为建模、人机分离距离监测、异常行为识别与分类，到异常行为下机器人安全运动规划策略的完整理论体系，最后通过实验验证了所述异常行为监测方法的性能，并在人机协作涂胶实验中，验证了所述方法在真实人机协作场景下的有效性。本文的研究内容对推动人机协作朝向更安全、更高效的发展具有重要意义，主要研究内容如下：(1) 为表征操作者在协作任务中的作业行为，提出了基于3D骨架的人体运动行为表征方法；其次，提出了一种关节数据去异常点算法，并将卡尔曼滤波和霍尔特双参数指数平滑滤波应用于关节数据的平滑；最后，结合去异常点和滤波算法，建立了关节数据处理流程，用于为操作者标准作业行为的学习提供数据输入，并通过实验验证了该流程可有效去除异常关节点和平滑关节数据。(2) 针对协作任务中操作者标准作业行为的学习问题，提出了基于算术平均的标准运动特征学习算法，并将DBA（DTW Barycenter Averaging）算法和高斯混合回归（GMR）应用于标准运动特征的学习，通过实验对比分析了三种算法的学习效果。(3) 人机最小距离是异常行为分类的标准以及机器人避碰策略的输入。本文基于深度图像分割和3D点云技术，实现了人机分离距离的在线监测，并通过实验验证了其监测效果。(4) 针对不同类型的协作任务，提出了对应的异常行为识别方法：针对仅可使用一种作业模式执行的单模式协作任务，提出了基于时间标记和动态时间规整（DTW）的异常行为识别算法，并通过单模式零件分拣实验验证了两种算法的识别性能。针对多模式协作任务，建立了从标准行为学习，任务表征以及异常行为识别的完整方法体系：提出了基于贝叶斯网络的多模式任务表征方法；阐述了基于GMM、平均DTW距离的操作者意图识别算法，并结合单模式任务的异常行为识别算法，提出了串、并行两种策略，用于识别多模式协作任务的异常；通过一个多模式零件分拣任务验证并分析了两种策略的识别性能。(5) 基于ROS平台，结合改进人工势场法，构建了完整的人机安全协作系统，并在人机协作涂胶实验中对系统的有效性进行验证，实验结果表明，该系统可通过准确监测异常行为，有效保证人机协作过程安全，证明了本文研究的实际应用价值