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

Immaginate il pavimento di una fabbrica dove un essere umano e un robot lavorano fianco a fianco, passandosi attrezzi e assemblando componenti insieme. Affinché questa collaborazione risulti naturale e sicura, il robot deve comprendere ciò che l'uomo sta per fare prima ancora che l'azione avvenga. Non può attendere un comando vocale o la pressione di un pulsante; deve saper leggere i segnali sottili dell'intenzione umana. Sebbene telecamere e microfoni possano aiutare, spesso falliscono nella realtà disordinata, rumorosa e affollata di un'officina. Una soluzione migliore risiede nell'ascoltare il corpo stesso. Attaccando dei sensori al braccio di un lavoratore, un sistema può rilevare le minuscole scintille elettriche della contrazione muscolare e il movimento dell'arto, traducendo questi segnali biologici in una chiara comprensione di ciò che l'essere umano vuole che il robot faccia.

Un team di ricercatori in Brasile si è posto l'obiettivo di testare quanto bene funzioni questa idea in un contesto complesso e reale. Hanno creato una nuova collezione di dati chiamata MAGIC-HRI, progettata per insegnare ai robot come riconoscere una vasta gamma di movimenti umani. Invece di concentrarsi solo su pochi gesti semplici, hanno chiesto a undici volontari di eseguire cinquantatré compiti differenti. Questi compiti spaziavano dal compiere gesti specifici con le mani e segnalare numeri nella Lingua dei Segni Brasiliana, al consegnare fisicamente attrezzi, avvitare bulloni e sorreggere oggetti. I volontari indossavano un bracciale specializzato dotato di sensori che misuravano l'attività muscolare e il movimento. I ricercatori hanno poi inserito questi dati in programmi informatici per vedere se la macchina fosse in grado di distinguere tra un movimento di "prendere" e uno di "dare", o tra un comando di "stop" e uno di "continua".

I risultati hanno rivelato un ostacolo significativo nel rendere questa tecnologia accessibile a tutti. Quando il programma informatico è stato addestrato sui dati di tutti i volontari e poi testato sui movimenti di ciascuno di loro, ha funzionato piuttosto bene, identificando correttamente le azioni la maggior parte delle volte. Tuttavia, la situazione è cambiata drasticamente quando i ricercatori hanno testato il sistema su una persona che non aveva mai visto prima. In questo scenario, in cui il modello doveva indovinare le intenzioni di un nuovo utente senza un addestramento preventivo su quel particolare individuo, le sue prestazioni sono scese bruscamente. Il sistema faticava a generalizzare, il che significa che non riusciva facilmente a trasferire ciò che aveva appreso da una persona all'altra. Ciò suggerisce che ogni corpo umano si muove e attiva i propri muscoli in modo unico, creando una barriera che i metodi di addestramento standard non riescono a superare facilmente.

Per risolvere questo problema, i ricercatori hanno testato una strategia nota come personalizzazione. Hanno simulato una situazione in cui un nuovo utente si avvicina al robot e il sistema ha la possibilità di apprendere da un numero limitato di movimenti specifici prima di iniziare a lavorare. Hanno scoperto che anche una piccolissima quantità di nuovi dati faceva una differenza enorme. Quando il sistema gli sono stati mostrati solo sette campioni di una nuova persona, la sua capacità di riconoscere le azioni di quella persona è balzata a oltre il sessantacinque percento. Questo dato indica che, sebbene un robot non possa comprendere istantaneamente uno sconosciuto, può adattarsi rapidamente se gli viene concesso un breve momento per apprendere il suo stile specifico. Lo studio conclude che, affinché i sensori indossabili siano davvero affidabili negli ambienti industriali, il sistema deve includere una breve fase di calibrazione in cui apprende la firma unica di ogni nuovo operatore. Senza questo passaggio, la tecnologia rimane troppo fragile per la natura imprevedibile della collaborazione uomo-robot.