Why Personalization Matters: Cross-Subject Challenges in EMG-IMU-based HRI Activity Recognition

Stellen Sie sich eine Fabrikhalle vor, in der ein Mensch und ein Roboter Seite an Seite arbeiten und Werkzeuge übergeben sowie Teile gemeinsam montieren. Damit diese Partnerschaft natürlich und sicher wirkt, muss der Roboter verstehen, was der Mensch tun wird, noch bevor die Handlung überhaupt stattfindet. Er kann nicht auf einen gesprochenen Befehl oder das Drücken eines Knopfes warten; er muss die subtilen Signale menschlicher Absicht lesen können. Kameras und Mikrofone können zwar helfen, scheitern aber oft in der unordentlichen, lauten und überfüllten Realität einer Werkstatt. Eine bessere Lösung liegt darin, dem Körper selbst zuzuhören. Durch das Anbringen von Sensoren an den Arm eines Arbeiters kann ein System die winzigen elektrischen Funken der Muskelaktivierung und die Bewegung der Gliedmaße erfassen und diese biologischen Signale in ein klares Verständnis dessen übersetzen, was der Mensch vom Roboter möchte.

Ein Forscherteam in Brasilien machte sich daran zu testen, wie gut diese Idee in einem komplexen, realen Umfeld funktioniert. Sie erstellsten eine neue Datensammlung namens MAGIC-HRI, die darauf ausgelegt ist, Roboter zu lehren, eine riesige Auswahl an menschlichen Bewegungen zu erkennen. Anstatt sich nur auf ein paar einfache Handlungen zu konzentrieren, baten sie elf Freiwillige, dreiundfünfzig verschiedene Aufgaben auszuführen. Diese Aufgaben reichten von spezifischen Handgesten und dem Gebärden von Zahlen in der brasilianischen Gebärdensprache bis hin zum physischen Überreichen von Werkzeugen, dem Eindrehen von Bolzen und dem Halten von Objekten. Die Freiwilligen trugen einen speziellen Armreif, der mit Sensoren ausgestattet war, die die Muskelaktivität und die Bewegung maßen. Die Forscher speisten diese Daten anschließend in Computerprogramme ein, um zu sehen, ob die Maschine lernen konnte, zwischen einer „Aufheben“-Bewegung und einer „Geben“-Bewegung oder zwischen einem „Stopp“-Befehl und einem „Weiter“-Befehl zu unterscheiden.

Die Ergebnisse zeigten eine erhebliche Hürde bei der Umsetzung dieser Technologie für alle Menschen. Wenn das Computerprogramm mit Daten aller Freiwilligen trainiert wurde und anschließend die Bewegungen der jeweiligen Personen testweise untersuchte, arbeitete es recht gut und identifizierte die Handlungen meist korrekt. Die Situation änderte sich jedoch drastisch, als die Forscher das System an einer Person testeten, die es zuvor noch nie gesehen hatte. In diesem Szenario, in dem das Modell die Absichten eines neuen Nutzers ohne vorheriges Training für diese spezifische Person erraten musste, sank die Leistung drastisch. Das System hatte Schwierigkeiten zu generalisieren, was bedeutet, dass es nicht ohne Weiteres das, was es von einer Person gelernt hatte, auf eine andere übertragen konnte. Dies deutet darauf hin, dass jeder menschliche Körper sich auf eine einzigartige Weise bewegt und seine Muskeln feuert, was eine Barriere schafft, die Standardtrainingsmethoden nicht ohne Weiteres überwinden können.

Um dieses Problem zu lösen, testeten die Forscher eine Strategie, die als Personalisierung bekannt ist. Sie simulierten eine Situation, in der ein neuer Nutzer vor den Roboter tritt und das System die Möglichkeit erhält, aus nur wenigen seiner spezifischen Bewegungen zu lernen, bevor es mit der Arbeit beginnt. Sie fanden heraus, dass bereits eine winzige Menge an neuen Daten einen massiven Unterschied machte. Als das System nur sieben Stichproben einer neuen Person gezeigt wurde, sprang die Fähigkeit, die Handlungen dieser Person zu erkennen, auf über 65 Prozent. Dieser Befund zeigt, dass ein Roboter einen Fremden zwar nicht sofort verstehen kann, er aber schnell adaptieren kann, wenn man ihm einen kurzen Moment gibt, um dessen spezifischen Stil zu lernen. Die Studie kommt zu dem Schluss, dass tragbare Sensoren für den Einsatz in industriellen Umgebungen wirklich zuverlässig sein können, wenn das System eine kurze Kalibrierungsphase beinhaltet, in der es die einzigartige Signatur jedes neuen Bedieners lernt. Ohne diesen Schritt bleibt die Technologie zu fragil für die unvorhersehbare Natur der Mensch-Roboter-Kollaboration.