实时机器人辅助人体工程学
本文探讨在制造应用中优化人机协作（HRC）框架以解决工作相关肌肉骨骼疾病（WMSDs）的高患病率，并提出两个假设：通过动作数据从重要的传感器中量化专业任务，将最危险的任务分配给协作机器人；通过包括手势识别和空间适应来提高 HRC 方案人体工效学并减少运营商肌肉骨骼搬运的身体努力。本文在电视制造过程中进行了 HRC 场景优化，并训练了一个基于深度学习的手势识别模块。
Mar, 2022
提出了一种用于 3D 姿势估计的低成本、无侵入感的多传感器算法，基于 OpenPose 2D 姿势和机器人轨迹，使用粒子滤波器，技术可应用于 PHRI 领域，性能比使用 OpenPose 或机器人轨迹的单一传感器人体姿势估计更好，以及在使用 RULA 评估工具上的姿势评估表现更好。
Aug, 2022
提出一种基于动态机器人辅助手物交互的方法，通过手部姿态估计、自适应机器人控制和运动原语的综合运用，在实现精确任务执行和适应实时动作方面提高了人机物理交互的效果。
May, 2024
本文提出了一种实时的手和物体姿态联合追踪方法，利用一个单独的 RGB-D 相机，通过 3D GMM 算法和创新的正则化策略，同时解决了遮挡、快速运动和手与物体重合的问题，辅以判别式手部部分分类和物体分割，实现了实时追踪。实验结果表明，该方法具有速度、准确性和鲁棒性。
Oct, 2016
自动化的崛起为制造过程的高效性提供了机会，但往往会损害灵活性，无法及时响应市场需求的变化和对定制化的需求。人机协作通过结合机器的强大和精确性以及人类的智慧和感知能力来解决这些挑战。本文概念化和提出了一个基于机器学习的自主机械臂的实施框架，该框架包括人机循环原则，并利用扩展现实（XR）促进人与机器之间的直观交流和编程。此外，概念框架预见到人类直接参与机器学习过程，从而实现更高的适应性和任务通用化。本文突出强调支持所提出框架的关键技术，强调全面发展数字生态系统的重要性。此外，我们回顾了扩展现实在人机协作中的现有实施方法，展示了多样的观点和方法论。讨论了挑战和未来展望，深入探讨了扩展现实在工业领域实现更自然的人机交互和融合的主要障碍和潜在研究方向。
Mar, 2024
通过增强现实和基于手势的系统，支持直观的人机合作并改善信息交换，以实现人机团队合作在服务任务中的现实应用，并为自主 HRI 系统的未来开发、实验提供指导。
Sep, 2019
该研究提出了一个创新的计算机视觉框架，旨在通过与现有软件的无缝集成来分析工业环境中的人体运动，以增强生物力学分析。该框架利用先进的图像处理和建模技术，通过卷积神经网络（CNNs）、直接线性变换（DLT）和长短期记忆（LSTM）网络准确地检测关键身体节点，重建 3D 标记点，并生成详细的 3D 人体网格。广泛的评估验证了该框架的有效性，在各种动作下与传统基于标记点的模型展示出了可比较的结果，并在关节角度估计和体重、身高估计方面具有精确性。生物力学 - 57 关键骨骼模板的集成进一步增强了该框架的鲁棒性和可靠性。该框架显示出在工业环境中进行细致的生物力学分析的显著潜力，消除了笨重的标记物的需求，并将其用途扩展到包括研究特定外骨骼装置对促进受伤工人迅速返回工作任务的影响在内的各个研究领域。
Apr, 2024