💻 computer science

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

यह शोध पत्र मानव-रोबोट सहयोगात्मक विनिर्माण के लिए एक नवीन वास्तविक समय सुरक्षा निगरानी प्रणाली प्रस्तुत करता है जो एक कलाई-माउंटेड IMU का उपयोग करता है जिसे कलाई-अनुकूलित स्प्रिंग-डैम्पर-मास और इम्पीडेंस-आधारित संभाव्यता मूल्यांकन पर आधारित एक भविष्य कहनेवाला सुरक्षा मॉडल के साथ एकीकृत किया गया है, जो विविध विनिर्माण कार्यों में सुदृढ़ प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Musab Zubair Inamdar, Alhusain Al Hadrami, Seyed Amir Tafrishi

प्रकाशित 2026-06-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Musab Zubair Inamdar, Alhusain Al Hadrami, Seyed Amir Tafrishi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक फैक्ट्री फ्लोर की कल्पना करें जहाँ एक मानव कर्मचारी और एक रोबोट अगल-बगल काम कर रहे हैं, और आपस में औजार और पुर्जे एक-दूसरे को दे रहे हैं। आमतौर पर, सुरक्षा प्रणालियाँ पूरी तरह से रोबोट पर ध्यान केंद्रित करती हैं: "क्या रोबोट बहुत तेज़ चल रहा है? क्या यह मानव के बहुत करीब है?" लेकिन यह शोध पत्र एक अलग सवाल पूछता है: "क्या मानव का हाथ नियंत्रित, अनुमानित तरीके से चल रहा है, या वह हाथ झटक रहा है, लड़खड़ा रहा है, या अचानक, अनियंत्रित हरकतें कर रहा है?"

इसका उत्तर देने के लिए, शोधकर्ताओं ने एक "स्मार्ट वॉच" प्रणाली बनाई है (हालाँकि यह वास्तव में कलाई पर बंधा एक सेंसर है) जो एक पूर्वानुमानित कोच (predictive coach) की तरह कार्य करती है।

यह प्रणाली कैसे काम करती है, इसे सरल अवधारणाओं में विभाजित किया गया है:

1. "स्प्रिंग-लोडेड" कोच

इसका मूल विचार एक पूर्वानुमानित सुरक्षा मॉडल (Predictive Safety Model - PSM) पर आधारित है। मानव हाथ को एक जटिल जैविक मशीन के बजाय, एक सरल स्प्रिंग-एंड-डैम्पर सिस्टम (जैसे दरवाज़े का क्लोजर या कार का शॉक एब्जॉर्बर) के रूप में सोचें।

सिद्धांत: जब कोई मानव एक दोहराव वाला कार्य करता है (जैसे बोल्ट कसना), तो उनका हाथ स्वाभाविक रूप से एक सुचारू, लयबद्ध पथ का अनुसरण करता है, ठीक वैसे ही जैसे एक पेंडुलम आगे-पीछे झूलता है।
पूर्वानुमान: कंप्यूटर इस "स्प्रिंग" मॉडल का उपयोग यह अनुमान लगाने के लिए करता है कि यदि गति सुचारू और नियंत्रित है, तो अगले एक सेकंड के भीतर कलाई कहाँ होनी चाहिए।

2. "रियलिटी चेक" सेंसर

कर्मचारी अपनी कलाई पर एक छोटा सेंसर (IMU) पहनता है। यह सेंसर एक हाई-स्पीड रेफरी की तरह है जो लगातार कलाई की वास्तविक स्थिति और गति को बताता है।

तुलना: सिस्टम लगातार कोच के पूर्वानुमान (कलाई कहाँ होनी चाहिए) की सेंसर की वास्तविकता (कलाई वास्तव में कहाँ है) से तुलना करता है।
परिणाम: यदि मानव सुचारू रूप से चल रहा है, तो पूर्वानुमान और वास्तविकता पूरी तरह से मेल खाते हैं। यदि मानव हाथ झटकता है, लक्ष्य से आगे निकल जाता है, या अचानक सुधार करने की कोशिश करता है, तो दोनों के बीच अंतर आ जाता है।

3. "ट्रैफिक लाइट" प्रणाली

यह शोध पत्र एक सुरक्षा स्कोर पेश करता है जो ट्रैफिक लाइट की तरह कार्य करता है:

हरा (सुरक्षित): हाथ सुचारू रूप से चल रहा है, जो "स्प्रिंग" मॉडल से मेल खाता है।
पीला (सावधानी): हाथ भटकने लगा है या थोड़ा अनियमित रूप से चल रहा है।
लाल (असुरक्षित जैसा): हाथ अराजक, अनियमित तरीके से चल रहा है (जैसे अचानक विपरीत दिशा में मुड़ना या ज़ोरदार झटका)।

4. उन्होंने क्या परीक्षण किया

शोधकर्ताओं ने तीन सामान्य फैक्ट्री कार्यों पर इसका परीक्षण किया:

फास्टनिंग (Fastening): हाथ के औज़ार का उपयोग करके चीज़ों को कसना।
विजुअल इंस्पेक्शन (Visual Inspection): किसी वस्तु को करीब से देखते हुए कलाई को हिलाना।
पिक-एंड-प्लेस (Pick-and-Place): किसी वस्तु को उठाना और कहीं रखना।

उन्होंने स्वयंसेवकों को ये कार्य दो तरीकों से करने के लिए कहा:

नियंत्रित (Controlled): सावधानीपूर्वक और सुचारू रूप से चलना।
अनियमित (Irregular): जानबूझकर खराब तरीके से चलना (झटकना, लक्ष्य से आगे निकल जाना, या अचानक रुकना और शुरू करना) ताकि यह सिम्युलेट किया जा सके कि थकान, ध्यान भटकने या जल्दबाजी के कारण क्या हो सकता है।

5. मुख्य खोज: गति बनाम स्थिति

उनकी एक सबसे दिलचस्प खोज यह है कि सेंसर को किस बात पर ध्यान देना चाहिए।

समस्या: कलाई के सेंसर कभी-कभी कलाई के सटीक कोण (स्थिति) के संबंध में थोड़े "ड्रिफ्ट" (भटक) सकते हैं। यह एक ऐसे कंपास की तरह है जो धीरे-धीरे अपने रास्ते से भटक जाता है।
समाधान: शोधकर्ताओं ने पाया कि कलाई की वेग (velocity/गति परिवर्तन) को देखना, कलाई के सटीक कोण (स्थिति) को देखने की तुलना में खतरे को पहचानने का एक बहुत अधिक विश्वसनीय तरीका है।
उपमा: कल्पना कीजिए कि आप कार चला रहे हैं। यदि आप अपनी लेन से थोड़ा हट गए हैं (स्थिति त्रुटि), तो आप ठीक हो सकते हैं। लेकिन यदि आप अचानक ब्रेक मार रहे हैं और गाड़ी मोड़ रहे हैं (वेग त्रुटि), तो यह तत्काल खतरा है। यह प्रणाली "लेन की स्थिति" के बजाय "गाड़ी मोड़ने" पर ध्यान केंद्रित करने पर सबसे अच्छा काम करती है।

सारांश

यह शोध पत्र एक "प्रूफ ऑफ कॉन्सेप्ट" है। यह दावा नहीं करता कि इसने अभी तक सभी फैक्ट्री सुरक्षा समस्याओं को हल कर दिया है। इसके बजाय, यह प्रदर्शित करता है कि कलाई पर एक सरल, हल्का सेंसर, एक स्मार्ट "स्प्रिंग" मॉडल के साथ मिलकर, सफलतापूर्वक यह बता सकता है कि एक मानव सुचारू रूप से चल रहा है या एक अराजक, संभावित रूप से खतरनाक तरीके से चल रहा है।

यह सिद्ध करता है कि हम केवल रोबोट के बहुत करीब आने का इंतज़ार करने के बजाय, अनियमित झटकों और गति में अचानक बदलावों पर नज़र रखकर वास्तविक समय में मानव सुरक्षा की निगरानी कर सकते हैं।

तकनीकी सारांश: PSM सिस्टम के साथ कलाई पर लगे IMU का उपयोग करके मानव हाथ के संचालन का वास्तविक समय में सुरक्षा मूल्यांकन

समस्या विवरण
यद्यपि सहयोगात्मक रोबोटिक्स (collaborative robotics) ने विनिर्माण लचीलेपन को बढ़ाया है, लेकिन जैसे-जैसे मानव-रोबोट की निकटता बढ़ती है, सुरक्षा एक महत्वपूर्ण चुनौती बनी रहती है। वर्तमान औद्योगिक सुरक्षा मानक मुख्य रूप से रूढ़िवादी कार्यक्षेत्र सुरक्षा (workspace safeguards) और रोबोट-पक्ष की बाधाओं (जैसे गति सीमा, पृथक्करण दूरी) पर निर्भर करते हैं। हालाँकि, ये रणनीतियाँ मानव ऑपरेटर की अपनी गति की गुणवत्ता, नियमितता या नियंत्रण को सीधे तौर पर मापती नहीं हैं। सहयोगात्मक सेल (collaborative cells) में, मानव व्यवहार कार्य-निर्भर होता है और थकान, व्याकुलता या जल्दबाजी वाले संचालन के कारण अनियमित या खतरनाक हो सकता है। मौजूदा साहित्य मुख्य रूप से रोबोट गति भविष्यवाणी और टकराव बचाव पर केंद्रित है, जबकि पहनने योग्य जड़त्वीय संवेदन (wearable inertial sensing) का उपयोग एक निरंतर, कलाई-स्तर के सुरक्षा मूल्यांकनकर्ता के रूप में सहयोगात्मक विनिर्माण के लिए अभी भी कम खोजा गया है। पूर्ण कार्यक्षेत्र इंस्ट्रूमेंटेशन की आवश्यकता के बिना, सीधे पहनने योग्य मोशन डेटा से प्राप्त एक कॉम्पैक्ट, व्याख्या योग्य सुरक्षा मीट्रिक की विशिष्ट आवश्यकता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र प्रेडिक्टिव सेफ्टी मॉडल (PSM) का एक कलाई-विशिष्ट अनुकूलन प्रस्तावित करता है, जो मूल रूप से ऊपरी-शरीर की गति के लिए तैयार किया गया था, जिसे सहयोगात्मक विनिर्माण कार्यों के लिए अनुकूलित किया गया है। सिस्टम आर्किटेक्चर के तीन मुख्य घटक हैं:

सेंसिंग और डेटा अधिग्रहण: एक BNO055 इनर्शियल मेजरमेंट यूनिट (IMU) ऑपरेटर की कलाई पर लगाया गया है। यह फ्यूज्ड ओरिएंटेशन अनुमान और कोणीय वेग (angular velocity) माप प्रदान करता है। सिस्टम शोर को दबाने के लिए एक फिल्टर्ड डिस्क्रीट-टाइम डेटा स्ट्रीम (20 Hz) पर संचालित होता है, जबकि कार्य-प्रासंगिक गतिकी (dynamics) को सुरक्षित रखता है।
प्रेडिक्टिव सेफ्टी मॉडल (PSM): इस पद्धति का मूल एक रिड्यूस्ड स्प्रिंग-डैम्पर-मास पेंडुलम मॉडल है। पूर्ण ऊपरी-शरीर के फॉर्मूलेशन के विपरीत, यह संस्करण कलाई और अग्रबाहु (forearm) की गतिशीलता के लिए विशेष प्रभावी मापदंडों के साथ ट्यून किया गया है: 2 किलोग्राम का आर्म मास, 0.2 मीटर की पेंडुलम लंबाई, और 0.25 मीटर की बेस रेडियस। यह मॉडल एक रिड्यूस्ड स्टेट स्पेस के आधार पर "टास्क-कंसिस्टेंट सेफ रेफरेंस मोशन" उत्पन्न करता है, जो ग्रेविटी-रेफरेंस्ड कोणीय समन्वय ( $\theta_g$ ) और कोणीय गति परिमाण ( $\omega$ ) द्वारा परिभाषित है।
सुरक्षा मूल्यांकन पाइपलाइन:
- प्रोबेबिलिटी मैप: रिकॉर्ड किए गए परीक्षणों से एक कार्य-विशिष्ट प्रोबेबिलिटी मैप बनाया जाता है, जो रिड्यूस्ड स्टेट $(\theta_g, \omega)$ को अनुभवजन्य संभावनाओं (empirical likelihoods) के साथ मैप करता है। उच्च-संभावना वाले क्षेत्र नियमित, दोहराने योग्य गति का प्रतिनिधित्व करते हैं, जबकि निम्न-संभावना वाले क्षेत्र अनियमितता का संकेत देते हैं।
- ऑनलाइन भविष्यवाणी: वास्तविक समय में, सिस्टम सबसे संभावित सुरक्षित निरंतरता (safe continuation) को निर्धारित करने के लिए स्थानीय प्रोबेबिलिटी पड़ोस (neighborhood) को क्वेरी करता है और भविष्य के सुरक्षित अवस्था को प्राप्त करने के लिए PSM को प्रसारित करता है।
- इम्पीडेंस-प्रेरित सुरक्षा सूचकांक (Impedance-Inspired Safety Index): सिस्टम टाइम डोमेन में IMU मोशन और PSM भविष्यवाणी के बीच विसंगति की गणना करता है। ओरिएंटेशन एरर ( $e_\theta$ ) और कोणीय-वेग एरर ( $e_\omega$ ) को फ्यूज करके एक इम्पीडेंस-प्रेरित नॉर्मलाइज्ड एरर मीट्रिक ( $e_{imp}$ ) की गणना की जाती है।
- वेटिंग रणनीतियाँ (Weighting Strategies): दो वेटिंग केस का परीक्षण किया गया: "पोजीशन-प्रायोरिटी" (0.6 ओरिएंटेशन, 0.4 वेलोसिटी) और "वेलोसिटी-प्रायोरिटी" (0.4 ओरिएंटेशन, 0.6 वेलोसिटी)। लेखक परिकल्पना करते हैं कि वेलोसिटी-प्रायोरिटी, कलाई पर लगे IMU के लिए अधिक स्थिर है, जो अक्सर एब्सोल्यूट ओरिएंटेशन के ड्रिफ्ट की तुलना में शॉर्ट-टर्म वेलोसिटी परिवर्तनों के प्रति अधिक मजबूत होते हैं।
- वर्गीकरण: सुरक्षा स्तर को नियंत्रित बनाम अनियमित निष्पादनों से प्राप्त अनुभवजन्य थ्रेशोल्ड ( $\epsilon_s = 0.15, \epsilon_c = 0.25$ ) के आधार पर सेफ (safe), कॉशन (caution), या अनसेफ-लाइक (unsafe-like) के रूप में वर्गीकृत किया जाता है।
- ऑफलाइन बेसलाइन: ऑनलाइन मूल्यांकन के लिए टाइम-डोमेन परिणामों को मान्य करने के लिए एक स्पेक्ट्रल एरर इंडिकेटर (फ्रीक्वेंसी-डोमेन विश्लेषण) को ऑफलाइन तुलनात्मक बेसलाइन के रूप में रखा गया है।

प्रमुख योगदान

कलाई-विशिष्ट PSM अनुकूलन: यह शोध पत्र पिछले ऊपरी-शरीर के फॉर्मूलेशन से अलग, विनिर्माण से संबंधित कलाई और अग्रबाहु की गति के लिए विशेष रूप से अनुकूलित प्रेडिक्टिव सेफ्टी मॉडल को अपनाता है।
रियल-टाइम मूल्यांकन पाइपलाइन: एक स्व-निहित पाइपलाइन जो कलाई की गति को एक संभावabilistic सेफ-रेफरेंस मॉडल में मैप करती है और पूर्ण-शरीर अनुमान की आवश्यकता के बिना ओरिएंटेशन और कोणीय-वेग विचलन से सुरक्षा की गणना करती है।
इम्पीडेंस-प्रेरित सुरक्षा सूचकांक: एक टाइम-डोमेन सुरक्षा मीट्रिक का परिचय जो ऑनलाइन मूल्यांकन के लिए केवल फ्रीक्वेंसी-डोमेन संकेतकों पर निर्भर रहने की सीमाओं को संबोधित करता है।
प्रायोगिक सत्यापन: तीन प्रतिनिधि मैनुअल कार्यों के माध्यम से सत्यापन: हैंड टूल के साथ फास्टनिंग, विजुअल इंस्पेक्शन, और पिक-एंड-प्लेस।

परिणाम
अध्ययन का सत्यापन पांच प्रतिभागियों के 18 टास्क ट्रायल्स के माध्यम से किया गया। प्रत्येक कार्य में नियंत्रित, सामान्य और जानबूझकर अनियमित (खतरनाक-जैसे) निष्पादन शामिल थे।

मोशन प्रकारों का पृथक्करण: परिणामों ने तीनों कार्यों में नियंत्रित मोशन और जानबूझकर अनियमित मोशन के बीच स्पष्ट अलगाव प्रदर्शित किया। अनियमित मोशन (जो अचानक रिवर्सल, ओवरशूट और असंगत टाइमिंग द्वारा पहचाने जाते हैं) ने लगातार उच्च एरर मान उत्पन्न किए।
वेलोसिटी बनाम पोजीशन वेटिंग: ऑनलाइन मूल्यांकन के लिए पोजीशन-प्रायोरिटी वेटिंग की तुलना में वेलोसिटी-प्रायोरिटी वेटिंग ( $P^*=0.4, D^*=0.6$ ) अधिक स्थिर और प्रभावी साबित हुई। डेटा ने संकेत दिया कि खतरनाक-जैसे व्यवहार, एब्सोल्यूट ओरिएंटेशन ऑफसेट की तुलना में टेम्पोरल अनियमितता और अचानक सुधारात्मक कार्यों (कोणीय वेग त्रुटियों) के माध्यम से अधिक सुसंगत रूप से प्रकट होते हैं।
मीट्रिक प्रदर्शन: इम्पीडेंस-प्रेरित स्कोर ने फ्रीक्वेंसी-आधारित स्कोर की तुलना में सेफ और अनसेफ क्लास के बीच सेंट्रल टेंडेंसी में स्पष्ट अलगाव दिखाया। हालांकि पिक-एंड-प्लेस कार्यों ने अपने व्यापक मोशन एनवेलप के कारण उच्च एब्सोल्यूट सेफ्टी स्कोर उत्पन्न किए, सभी कार्यों ने विशिष्ट सेफ-अनसेफ सेपरेशन बनाए रखा।
थ्रेशोल्ड: परीक्षण किए गए डेटासेट में, नियंत्रित ऑपरेशन आम तौर पर सेफ थ्रेशोल्ड ( $\epsilon_s = 0.15$ ) से नीचे रहे, जबकि अनियमित घटनाएं लगातार कॉशन थ्रेशोल्ड ( $\epsilon_c = 0.25$ ) को पार कर गईं।

महत्व और दावे
लेखक इस कार्य को जनसंख्या-स्तर के अध्ययन के बजाय एक प्रूफ-ऑफ-कांसेप्ट वैलिडेशन के रूप में प्रस्तुत करते हैं। प्राथमिक महत्व इस बात में निहित है कि एक हल्का कलाई सेंसर और एक व्याख्या योग्य प्रेडिक्टिव मॉडल मिलकर मानव-रोबोट सहयोगात्मक वर्कसेल्स के लिए उपयोगी वास्तविक समय की सुरक्षा जानकारी प्रदान कर सकता है।

लेखक दावा करते हैं कि:

एक कलाई-माउंटेड IMU पूर्ण कार्यक्षेत्र को इंस्ट्रुमेंट किए बिना एक निरंतर सुरक्षा मूल्यांकनकर्ता के रूप में प्रभावी ढंग से कार्य कर सकता है।
कलाई की गति में टेम्पोरल अनियमितता, एब्सोल्यूट ओरिएंटेशन विचलन अकेले की तुलना में संभावित सुरक्षा जोखिमों का एक अधिक विश्वसनीय संकेतक है।
प्रस्तावित ढांचा PSM दृष्टिकोण का एक व्यावहारिक विस्तार प्रदान करता है, जिससे यह एक रिड्यूस्ड, कलाई-विशिष्ट फॉर्मूलेशन के माध्यम से मानव-रोबोट सहयोगात्मक कार्यों के लिए सीधे तौर पर लागू करने योग्य बनता है।

लेखक स्पष्ट रूप से कहते हैं कि रिपोर्ट किए गए थ्रेशोल्ड परीक्षण किए गए कार्यों और डेटासेट के लिए विशिष्ट अनुभवजन्य ऑपरेटिंग पॉइंट्स हैं, न कि सार्वभौमिक सुरक्षा सीमाएं। भविष्य के कार्य के रूप में बड़े मल्टी-पार्टिसिपेंट वैलिडेशन, टास्क-एडेप्टिव थ्रेशोल्ड चयन, और अन्य रियल-टाइम मॉनिटरिंग दृष्टिकोणों के साथ तुलना की पहचान की गई है।