💻 computer science

Real-Time Safety Evaluation of Human Arm Operations Using a Wrist-Mounted IMU with PSM System

Dieses Papier präsentiert ein neuartiges Echtzeit-Sicherheitsüberwachungssystem für die menschlich-robotergestützte kollaborative Fertigung, das eine am Handgelenk montierte IMU nutzt, die mit einem prädiktiven Sicherheitsmodell auf Basis eines handgelenkoptimierten Feder-Dämpfer-Masse-Systems und einer impedanzbasierten probabilistischen Bewertung integriert ist und eine robuste Leistung über verschiedene Fertigungsaufgaben hinweg demonstriert.

Ursprüngliche Autoren: Musab Zubair Inamdar, Alhusain Al Hadrami, Seyed Amir Tafrishi

Veröffentlicht 2026-06-26

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Musab Zubair Inamdar, Alhusain Al Hadrami, Seyed Amir Tafrishi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Fabrikhalle vor, in der ein menschlicher Arbeiter und ein Roboter Seite an Seite arbeiten und Werkzeuge sowie Teile hin- und herreichen. Normalerweise konzentrieren sich Sicherheitssysteme ausschließlich auf den Roboter: „Bewegt sich der Roboter zu schnell? Ist er zu nah am Menschen?“ Aber diese Arbeit stellt eine andere Frage: „Bewegt sich der Arm des Menschen auf eine kontrollierte, vorhersehbare Weise oder zappelt, ruckelt oder macht er plötzliche, erratische Bewegungen?“

Um dies zu beantworten, entwickelten die Forscher ein „Smartwatch“-System (obwohl es sich eigentlich um einen am Handgelenk befestigten Sensor handelt), das wie ein prädiktiver Coach fungiert.

So funktioniert das System, unterteilt in einfache Konzepte:

1. Der „federbelastete“ Coach

Die Kernidee basiert auf einem Prädiktiven Sicherheitsmodell (PSM). Betrachten Sie den menschlichen Arm nicht als komplexe biologische Maschine, sondern als einfaches Feder-Dämpfer-System (wie einen Türschließer oder einen Stoßdämpfer bei einem Auto).

Die Theorie: Wenn ein Mensch eine repetitive Aufgabe ausführt (wie das Festschrauben eines Bolzens), folgt sein Arm natürlich einem glatten, rhythmischen Pfad, ähnlich einem Pendel, das hin und her schwingt.
Die Vorhersage: Der Computer nutzt dieses „Feder“-Modell, um vorherzusagen, wo sich das Handgelenk im nächsten Sekundenbruchteil befinden sollte, wenn die Bewegung glatt und kontrolliert ist.

2. Der „Realitätscheck“-Sensor

Der Arbeiter trägt einen kleinen Sensor (ein IMU) an seinem Handgelenk. Dieser Sensor ist wie ein Hochgeschwindigkeits-Schiedsrichter, der ständig die tatsächliche Position und Geschwindigkeit des Handgelenks durchruft.

Der Vergleich: Das System vergleicht ständig die Vorhersage des Coaches (wo der Arm sein sollte) mit der Realität des Sensors (wo der Arm tatsächlich ist).
Das Ergebnis: Wenn sich der Mensch ruhig bewegt, stimmen Vorhersage und Realität perfekt überein. Wenn der Mensch jedoch mit dem Hand zuckt, ein Ziel überschießt oder eine plötzliche, panische Korrektur vornimmt, driften die beiden Werte auseinander.

3. Das „Ampelsystem“

Die Arbeit führt einen Sicherheitswert ein, der wie eine Ampel funktioniert:

Grün (Sicher): Der Arm bewegt sich glatt und entspricht dem „Feder“-Modell.
Gelb (Vorsicht): Der Arm beginnt zu driften oder sich etwas erratisch zu bewegen.
Rot (Unsicher/Instabil): Der Arm bewegt sich auf eine chaotische, unregelmäßige Weise (wie ein plötzliches Umkehren oder ein wildes Schwingen).

4. Was sie getestet haben

Die Forscher testeten dies bei drei häufigen Fabrikaufgaben:

Festziehen: Die Verwendung eines Handwerkzeugs zum Verschrauben von Dingen.
Visuelle Inspeiektion: Das genaue Betrachten eines Objekts bei gleichzeitiger Bewegung des Handgelenks.
Pick-and-Place: Das Aufheben eines Gegenstands und dessen Ablegen an einem anderen Ort.

Sie baten Freiwillige, diese Aufgaben auf zwei Arten auszuführen:

Kontrolliert: Vorsichtiges und glattes Bewegen.
Irregulär: Absichtlich schlechtes Bewegen (Zucken, Überschießen, plötzliches Stoppen und Anfahren, um zu simulieren, was passieren könnte, wenn jemand müde, abgelenkt oder in Eile ist).

5. Die wichtigste Entdeckung: Geschwindigkeit vs. Position

Eine der interessantesten Erkenntnisse betrifft die Frage, worauf der Sensor achten sollte.

Das Problem: Handgelenkssensoren können manchmal etwas „driftig“ bezüglich des exakten Winkels (der Position) des Handgelenks werden. Es ist wie ein Kompass, der langsam vom Kurs abweicht.
Die Lösung: Die Forscher fanden heraus, dass die Beobachtung, wie schnell sich die Geschwindigkeit des Handgelenks ändert (Geschwindigkeit/Velocity), ein viel zuverlässigerer Weg ist, um Gefahr zu erkennen, als die Betrachtung des exakten Winkels (Position).
Die Analogie: Stellen Sie sich vor, Sie fahren ein Auto. Wenn Sie leicht außerhalb Ihrer Spur sind (Positionsfehler), kann das noch völlig in Ordnung sein. Aber wenn Sie plötzlich voll in die Eisen steigen und lenken (Geschwindigkeitsfehler), ist das eine unmittelbare Gefahr. Das System arbeitet am besten, wenn es sich auf das „Ausbrechen“ konzentriert statt auf die „Spurposition“.

Zusammenfassung

Diese Arbeit ist ein „Proof of Concept“. Sie behauptet nicht, bereits alle Sicherheitsprobleme in Fabriken gelöst zu zu haben. Stattdessen zeigt sie, dass ein einfacher, leichter Sensor am Handgelenk in Kombination mit einem intelligenten „Feder“-Modell erfolgreich unterscheiden kann, ob sich ein Mensch ruhig bewegt oder sich auf eine chaotische, potenziell gefährliche Weise bewegt.

Sie beweist, dass wir die menschliche Sicherheit in Echtzeit überwachen können, indem wir auf unregelmäßige Zuckungen und plötzliche Änderungen der Geschwindigkeit achten, anstatt nur darauf zu warten, dass der Roboter zu nah kommt.

Technische Zusammenfassung: Echtzeit-Sicherheitsbewertung von menschlichen Armbewegungen mittels eines handgelenkmontierten IMU mit PSM-System

Problemstellung
Während die kollaborative Robotik die Flexibilität in der Fertigung erhöht hat, bleibt die Sicherheit eine kritische Herausforderung, da die Nähe zwischen Mensch und Roboter zunimmt. Aktuelle industrielle Sicherheitsstandards stützen sich primär auf konservative Arbeitsraum-Schutzmaßnahmen und roboterseitige Beschränkungen (z. B. Geschwindigkeitsbegrenzungen, Sicherheitsabstände). Diese Strategien quantifizieren jedoch nicht direkt die Qualität, Regelmäßigkeit oder Kontrolle der menschlichen Eigenbewegung. In kollaborativen Zellen ist das menschliche Verhalten stark aufgabenabhängig und kann aufgrund von Ermüdung, Ablenkung oder überhastetem Arbeiten unregelmäßig oder gefährlich werden. Die bestehende Literatur konzentriert sich stark auf die Bewegungsprädiktion von Robotern und Kollisionsvermeidung, während der Einsatz von tragbarer Inertialsensorik als kontinuierlicher, am Handgelenk befindlicher Sicherheitsbeurteiler für die kollaborative Fertigung noch wenig erforscht ist. Es besteht ein spezifischer Bedarf an einer kompakten, interpretierbaren Sicherheitsmetrik, die direkt aus tragbaren Bewegungsdaten abgeleitet wird, ohne eine vollständige Instrumentierung des Arbeitsraums zu erfordern.

Methodik
Das Paper schlägt eine handgelenkspezifische Anpassung des Predictive Safety Model (PSM) vor, das ursprünglich für Oberkörperbewegungen formuliert wurde und nun für kollaborative Fertigungsaufgaben maßgeschneidert ist. Die Systemarchitektur besteht aus drei Hauptkomponenten:

Sensorik und Datenerfassung: Eine BNO055 Inertiale Messeinheit (IMU) ist am Handgelenk des Bedieners montiert. Sie liefert fusionierte Orientationsschätzungen und Winkelgeschwindigkeitsmessungen. Das System arbeitet mit einem gefilterten diskreten Zeitstrom (20 Hz), um Rauschen zu unterdrücken und gleichzeitig die aufgabenspezifischen Dynamiken zu bewahren.
Predictive Safety Model (PSM): Der Kern der Methode ist ein reduziertes Feder-Dämpfer-Masse-Pendelmodell. Im Gegensatz zur vollständigen Oberkörperformulierung ist diese Version auf die Kinematik von Handgelenk und Unterarm abgestimmt, mit spezifischen effektiven Parametern: einer Armmasse von 2 kg, einer Pendellänge von 0,2 m und einem Basenradius von 0,25 m. Das Modell generiert eine „aufgabenkonsistente, sichere Referenzbewegung“ basierend auf einem reduzierten Zustandsraum, der durch eine gravitationsbezogene Winkelkoordinate ( $\theta_g$ ) und die Winkelgeschwindigkeitsbetrag ( $\omega$ ) definiert ist.
Sicherheitsbewertungspipeline:
- Wahrscheinlichkeitskarte: Eine aufgabenspezifische Wahrscheinlichkeitskarte wird aus aufgezeichneten Versuchen erstellt, die den reduzierten Zustand $(\theta_g, \omega)$ auf empirische Wahrscheinlichkeiten abbildet. Regionen mit hoher Wahrscheinlichkeit repräsentieren regelmäßige, wiederholbare Bewegungen, während Regionen mit niedriger Wahrscheinlichkeit Unregelmäßigkeiten anzeigen.
- Online-Prädiktion: In Echtzeit fragt das System die lokale Wahrscheinlichkeitsnachbarschaft ab, um die wahrscheinlichste sichere Fortsetzung der Bewegung zu bestimmen, und propagiert das PSM, um einen prädizierten sicheren Zustand zu erhalten.
- Impedanz-inspirierter Sicherheitsindex: Das System berechnet die Diskrepanz zwischen der gemessenen IMU-Bewegung und der PSM-Vorhersage im Zeitbereich. Eine impedanz-inspirierte normalisierte Fehlermetrik ( $e_{imp}$ ) wird berechnet, indem der Orientierungsfehler ( $e_\theta$ ) und der Winkelgeschwindigkeitsfehler ( $e_\omega$ ) fusioniert werden.
- Gewichtungsstrategien: Zwei Gewichtungsfälle wurden getestet: „Positions-Priorität“ (0,6 Orientierung, 0,4 Geschwindigkeit) und „Geschwindigkeits-Priorität“ (0,4 Orientierung, 0,6 Geschwindigkeit). Die Autoren hypothetisieren, dass die Geschwindigkeits-Priorität stabiler für handgelenkmontierte IMUs ist, da diese oft robuster gegenüber kurzfristigen Änderungen der Geschwindigkeit als gegenüber Drift in der absoluten Orientierung sind.
- Klassifizierung: Das Sicherheitsniveau wird basよう auf empirischen Schwellenwerten ( $\epsilon_s = 0,15$ , $\epsilon_c = 0,25$ ), die aus kontrollierten vs. unregelmäßigen Ausführungen abgeleitet wurden, als sicher (safe), vorsicht (caution) oder unsicher-ähnlich (unsafe-like) klassifiziert.
- Offline-Baseline: Ein spektraler Fehlerindikator (Frequenzbereichsanalyse) bleibt als Offline-Vergleichsbasis erhalten, um die Ergebnisse im Zeitbereich zu validieren.

Wesentliche Beiträge

Handgelenksspezifische PSM-Anpassung: Das Paper passt das Feder-Dämpfer-Masse-Predictive Safety Model spezifisch für Handgelenk- und Unterarmbewegungen an, die für die Fertigung relevant sind, und unterscheidet sich damit von früheren Oberkörperformulierungen.
Echtzeit-Bewertungspipeline: Eine eigenständige Pipeline, die Handgelenksbewegungen auf ein probabilistisches sicheres Referenzmodell abbildet und die Sicherheit aus Orientierungs- und Winkelgeschwindigkeitsabweichungen berechnet, ohne eine vollständige Körpererfassung zu benötigen.
Impedanz-inspirierter Sicherheitsindex: Die Einführung einer Metrik für den Zeitbereich, die die Einschränkungen der ausschließlichen Nutzung von Frequenzbereichsindikatoren für die Online-Bewertung adressiert.
Experimentelle Validierung: Validierung durch drei repräsentative manuelle Aufgaben: Festziehen mit einem Handwerkzeug, visuelle Inspektion und Pick-and-Place.

Ergebnisse
Die Studie wurde durch 18 Aufgabenversuche mit fünf Teilnehmern validiert. Jede Aufgabe beinhaltete kontrollierte, nominelle und bewusst unregelmäßige (gefährlichkeitsähnliche) Ausführungen.

Trennung der Bewegungstypen: Die Ergebnisse zeigten eine klare Trennung zwischen kontrollierten Bewegungen und bewusst unregelmäßigen Bewegungen in allen drei Aufgaben. Unregelmäßige Bewegungen (charakterisiert durch abrupte Umkehrungen, Überschwingen und inkonsistentes Timing) produzierten konsistent höhere Fehlerwerte.
Geschwindigkeits- vs. Positionsgewichtung: Die Geschwindigkeits-Prioritätsgewichtung ( $P^*=0,4, D^*=0,6$ ) erwies sich als stabiler und effektiver für die Online-Bewertung als die Positions-Prioritätsgewichtung. Die Daten deuteten darauf hin, dass sich gefährlichkeitsähnliches Verhalten konsistenter durch zeitliche Unregelmäßigkeit und abrupte Korrekturmaßnahmen (Winkelgeschwindigkeitsfehler) als durch große absolute Orientierungsabweichungen manifestiert.
Metrik-Leistung: Der impedanz-inspirierte Score zeigte eine deutlichere Trennung der Zentraltendenz zwischen sicheren und unsicheren Klassen im Vergleich zum frequenzbasierten Score. Während Pick-and-Place-Aufgaben aufgrund ihres breiteren Bewegungsenvelopes höhere absolute Sicherheitswerte generierten, behielten alle Aufgaben eine deutliche Safe–Unsafe-Trennung bei.
Schwellenwerte: In dem getesteten Datensatz blieben kontrollierte Operationen im Allgemeinen unter dem Sicherheitsschwellenwert ( $\epsilon_s = 0,15$ ), während unregelmäßige Ereignisse konsistent den Vorsichtsschwellenwert ( $\epsilon_c = 0,25$ ) überschritten.

Bedeutung und Ansprüche
Die Autoren positionieren diese Arbeit als eine Validierung eines Proof-of-Concept und nicht als eine populationsweite Studie. Die primäre Bedeutung liegt in der Demonstration, dass ein leichtgewichtiges Handgelenkssensor-System kombiniert mit einem interpretierbaren prädiktiven Modell nützliche Echtzeit-Sicherheitsinformationen für kollaborative Mensch-Roboter-Arbeitszellen liefern kann.

Das Paper behauptet:

Ein handgelenkmontiertes IMU kann effektiv als kontinuierlicher Sicherheitsbeurteiler dienen, ohne den gesamten Arbeitsraum instrumentieren zu müssen.
Zeitliche Unregelmäßigkeit in der Handgelenksbewegung ist ein zuverlässigerer Indikator für potenzielle Sicherheitsrisiken als die alleinige absolute Orientierungsabweichung.
Das vorgeschlagene Framework bietet eine praktische Erweiterung des PSM-Ansatzes, indem es durch eine reduzierte, handgelenksspezifische Formulierung direkt auf kollaborative Mensch-Roboter-Aufgaben anwendbar gemacht wird.

Die Autoren stellen explizit klar, dass die berichteten Schwellenwerte empirische Arbeitspunkte sind, die spezifisch für die getesteten Aufgaben und den Datensatz gelten, und keine universellen Sicherheitsgrenzwerte darstellen. Zukünftige Arbeit wird als notwendig identifiziert, um eine Validierung mit mehr Teilnehmern, eine aufgabenadaptive Schwellenwertwahl und einen Vergleich mit anderen Echtzeit-Überwachungsansätzen zu ermöglichen.