Resumen Técnico: Un Nuevo Enfoque Basado en Neurodinámica para la Planificación de Movimiento Consciente de la Fatiga en el Ensamblaje Colaborativo Humano-Robot

1. Planteamiento del Problema

El Ensamblaje Colaborativo Humano-Robot (HRCA, por sus siglas en inglés) busca combinar la flexibilidad humana con la precisión robótica en espacios de trabajo compartidos. Sin embargo, los métodos actuales de HRCA exhiben tres limitaciones principales:

1. Negligencia de los Estados Internos Humanos: Los estudios existentes se centran en la seguridad física y la prevención de lesiones, pero ignoran en gran medida los estados internos humanos, específicamente la fatiga. La falta de un modelado explícito para la degradación cognitiva y física relacionada con la fatiga limita la capacidad de un sistema para adaptar las estrategias de asistencia, lo que podría comprometer la sostenibilidad y la seguridad a largo plazo.
2. Suposiciones de Entorno Estático: La mayoría de los enfoques están diseñados para entornos estáticos con asignaciones de tareas predefinidas, lo que impide procesar condiciones dinámicas del mundo real o adaptarse a la evolución de los estados humanos.
3. Mecanismos de Seguridad Reactivos: Los métodos de planificación actuales suelen tratar la seguridad como restricciones estáticas o gestionarlas independientemente del proceso de planificación. Esto impide que los robots proporcionen una protección dinámica y proactiva a los operadores que enfrentan movimientos impredecibles o contextos de tareas en evolución.

El artículo aborda la necesidad de un marco de planificación de movimiento que integre la estimación de la fatiga humana en tiempo real con la generación de trayectorias robóticas adaptativas, garantizando tanto la eficiencia de la tarea como la seguridad del operador.

2. Metodología

El marco propuesto integra la percepción de la fatiga basada en visión con una red neuronal bioinspirada (BINN) para la planificación del movimiento. La metodología consta de cuatro componentes principales:

2.1 Modelado del Estado de Fatiga Basado en Visión

El sistema estima los niveles de fatiga humana utilizando un proceso de cuatro etapas:

1. Adquisición de Datos y Extracción de Puntos de Referencia: Se utiliza MediaPipe para extraer puntos de referencia faciales. Se calculan métricas geométricas clave, la Relación de Aspecto del Ojo (EAR) y la Relación de Aspecto de la Boca (MAR), para definir Regiones de Interés (ROI).
2. Extracción de Características: Se derivan cuatro indicadores complementarios:
   • Métricas geométricas (EAR, MAR).
   • Estados binarios (Ojo/Boca Abierto o Cerrado) determinados por Redes Neuronales Convolucionales (CNN) entrenadas en las ROI recortadas.
   • Características temporales de alto nivel: Duración del Bostezo, Duración del Cierre de Ojos, Porcentaje de Cierre de Ojos (PERCLOS), Amplitud de los Ojos y Amplitud de la Boca.
3. Inferencia de Lógica Difusa: Un sistema de inferencia difusa mapea las características extraídas a un índice de fatiga cuantitativo. Las funciones de membresía clasifican los valores de las características (bajo, medio, alto), y reglas difusas predefinidas (por ejemplo, "Si el PERCLOS es alto, entonces la fatiga es Media") agregan estas entradas. La desdifusión mediante el método del centroide produce un valor nítido ($F_t$).
4. Promedio Temporal: Para garantizar la estabilidad y capturar tendencias sostenidas, los valores de fatiga instantáneos se promedian sobre una ventana de tiempo ($N$ fotogramas) para producir un nivel de fatiga final ($F_{avg}$).

2.2 Representación de Movimiento Basada en Neurodinámica

El marco emplea un modelo de red neuronal no holonómico para representar el espacio de configuración del robot, diseñado específicamente para robots móviles tipo automóvil.

• Espacio de Estados: La red neuronal es una cuadrícula 3D donde las neuronas representan la posición planar $(x, y)$ y la orientación $\theta$ del robot.
• Restricciones Cinemáticas: A diferencia de los modelos de robot puntual, las conexiones neuronales laterales están restringidas a configuraciones que satisfacen las restricciones cinemáticas no holonómicas del robot móvil (límites de dirección y curvatura). Esto asegura que las trayectorias generadas sean físicamente ejecutables.
• Modelo Neurodinámico: La actividad de la $k$-ésima neurona ($x_k$) evoluciona según una ecuación de derivación (shunting equation):
  $$\frac{dx_k}{dt} = -Ax_k + (B - x_k)Q^+_k - (D + x_k)Q^-_k$$
  Donde $Q^+_k$ y $Q^-_k$ son las entradas excitatorias e inhibitorias, respectivamente.

2.3 Mecanismo de Planificación Consciente de la Fatiga

El proceso de planificación modula dinámicamente el paisaje neuronal basándose en el nivel de fatiga estimado:

• Entrada Excitatoria ($Q^+$): Impulsada por el espacio de trabajo objetivo, creando un campo de guía global que dirige al robot hacia las regiones relevantes de la tarea.
• Entrada Inhibitoria ($Q^-$):
  • Obstáculos: Generan efectos inhibitorios locales que no se propagan.
  • Operadores Humanos: El efecto inhibitorio se modula mediante un umbral dependiente de la fatiga ($\sigma_c$).
  • Modulación por Fatiga: El umbral $\sigma_c$ se calcula mediante una función sigmoide del nivel de fatiga promedio ($F_{avg}$). A medida que la fatiga aumenta, $\sigma_c$ aumenta, fortaleciendo la propagación de la inhibición lateral alrededor del espacio de trabajo humano. Esto amplía efectivamente la "región de seguridad" en el paisaje de actividad neuronal sin requerir un proceso de aprendizaje.
• Selección de Ruta: El robot selecciona la siguiente configuración eligiendo la neurona vecina con la mayor actividad neuronal, asegurando que la ruta esté libre de colisiones y sea cinemáticamente factible.

3. Contribuciones Clave

El artículo describe tres contribuciones principales:

1. Mecanismo Inhibitorio Modulado por la Fatiga: A diferencia de tratar la fatiga como una regla de seguridad fija, el nivel de fatiga estimado se integra directamente en las entradas inhibitorias de la BINN. Esto permite que el margen de seguridad alrededor de las regiones de trabajo humano se adapte dinámicamente al estado del operador.
2. Diseño de Conexión Neuronal No Holonómica: Se desarrolla una estrategia de conexión neuronal específica para robots móviles tipo automóvil. Las conexiones se establecen solo entre configuraciones que satisfacen las restricciones cinemáticas y de dirección, asegurando que el movimiento generado esté restringido a transiciones físicamente ejecutables en lugar de movimientos idealizados de robot puntual.
3. Compromiso entre Seguridad y Eficiencia Consciente de la Fatiga: El marco permite un compromiso dinámico. En estados de baja fatiga, el robot selecciona rutas más cortas y eficientes. En estados de alta fatiga, el sistema aumenta automáticamente la separación del operador, priorizando la seguridad y la comodidad sobre la longitud de la ruta.

4. Resultados

El marco fue evaluado mediante simulaciones y experimentos en el mundo real:

• Simulación (Diferentes Niveles de Fatiga):

  • Baja Fatiga: El robot generó una trayectoria corta y eficiente a través de un paso estrecho entre un obstáculo y una región de trabajo humana.
  • Alta Fatiga: El aumento del umbral inhibitorio hizo que el paso estrecho fuera menos deseable en el paisaje neuronal. El robot generó con éxito una trayectoria alternativa con mayor separación, evitando al operador fatigado.
  • Comparación con APF: En un entorno cóncavo en forma de U, el método propuesto logró navegar el robot fuera de la región cóncava. En contraste, el método de Campo de Potencial Artificial (APF) falló, atrapando al robot en un mínimo local debido a la cancelación de las fuerzas atractivas y repulsivas.

• Experimentos en el Mundo Real:

  • Configuración: Un robot móvil basado en ROS operaba en un espacio de trabajo compartido con tres estudiantes humanos ensamblando circuitos. Las cámaras monitoreaban los datos faciales para la estimación de la fatiga.
  • Escenario 1 (Baja Fatiga): El robot entregó componentes de manera eficiente, navegando a través de brechas estrechas entre obstáculos y operadores.
  • Escenario 2 (Alta Fatiga): Cuando un estudiante exhibió una fatiga alta (por ejemplo, bostezos, cierre de ojos), el sistema detectó el estado y ajustó la ruta del robot. El robot evitó el paso estrecho cerca del estudiante fatigado, seleccionando una ruta más larga pero más segura con mayor separación.

5. Significación y Reivindicaciones

Los autores afirman que el marco basado en neurodinámica propuesto respalda el desarrollo de sistemas robóticos más seguros y centrados en el humano para el ensamblaje colaborativo. La importancia del trabajo radica en:

• Adaptabilidad: El sistema responde a los estados internos dinámicos del humano (fatiga) sin requerir aprendizaje o reentrenamiento fuera de línea.
• Equilibrio Seguridad-Eficiencia: Proporciona un mecanismo para equilibrar dinámicamente la eficiencia de la tarea con la seguridad del operador, expandiendo los márgenes de seguridad solo cuando es necesario.
• Robustez: El enfoque neurodinámico demuestra un rendimiento superior en entornos complejos con obstáculos cóncavos en comparación con los métodos tradicionales de campo de potencial, evitando mínimos locales.
• Practicidad: La integración de la estimación de la fatiga basada en visión con la planificación de movimiento en tiempo real ofrece una solución viable para escenarios de la Industria 5.0 donde los robots actúan como colaboradores adaptativos y centrados en el humano.

El artículo concluye que este enfoque aborda eficazmente las limitaciones de los métodos actuales de HRCA al modelar explícitamente los estados internos humanos e integrarlos en un marco de planificación adaptativo y unificado.