Resumo Técnico: Uma Nova Abordagem Baseada em Neurodinâmica para Planejamento de Movimento Consciente de Fadiga em Montagem Colaborativa Humano-Robô

1. Declaração do Problema

A Montagem Colaborativa Humano-Robô (HRCA) visa combinar a flexibilidade humana com a precisão robótica em espaços de trabalho compartilhados. No entanto, os métodos atuais de HRCA exibem três limitações primárias:

1. Negligência dos Estados Internos Humanos: Estudos existentes focam na segurança física e na prevenção de lesões, mas ignoram amplamente os estados internos humanos, especificamente a fadiga. A falta de uma modelagem explícita para a degradação cognitiva e física relacionada à fadiga limita a capacidade de um sistema em adaptar estratégias de assistência, o que pode comprometer a sustentabilidade e a segurança a longo prazo.
2. Suposições de Ambiente Estático: A maioria das abordagens é projetada para ambientes estáticos com alocações de tarefas pré-definidas, falhando em processar condições reais dinâmicas ou em se adaptar a estados humanos em evolução.
3. Mecanismos de Segurança Reativos: Os métodos de planejamento atuais frequentemente tratam a segurança como restrições estáticas ou lidam com elas independentemente do processo de planejamento. Isso impede que os robôs forneçam proteção dinâmica e proativa aos operadores diante de movimentos imprevisíveis ou contextos de tarefa em evolução.

O artigo aborda a necessidade de um framework de planejamento de movimento que integre a estimativa de fadiga humana em tempo real com a geração de trajetórias robóticas adaptativas, garantindo tanto a eficiência da tarefa quanto a segurança do operador.

2. Metodologia

O framework proposto integra a percepção de fadiga baseada em visão com uma rede neural bioinspirada (BINN) para o planejamento de movimento. A metodologia consiste em quatro componentes principais:

2.1 Modelagem do Estado de Fadiga Baseada em Visão

O sistema estima os níveis de fadiga humana usando um pipeline de quatro estágios:

1. Aquisição de Dados e Extração de Pontos de Referência (Landmarks): O MediaPipe é utilizado para extrair pontos de referência faciais. Métricas geométricas chave, a Razão de Aspecto Ocular (EAR) e a Razão de Aspecto Bucal (MAR), são calculadas para definir Regiões de Interesse (ROIs).
2. Extração de Características: Quatro indicadores complementares são derivados:
   • Métricas geométricas (EAR, MAR).
   • Estados binários (Olhos/Boca Aberto ou Fechado) determinados por Redes Neurais Convolucionais (CNNs) treinadas em ROIs recortadas.
   • Características temporais de alto nível: Duração do Bocejo, Duração do Fechamento Ocular, Porcentagem de Fechamento Ocular (PERCLOS), Amplitude Ocular e Amplitude Bucal.
3. Inferência de Lógica Fuzzy: Um sistema de inferência fuzzy mapeia as características extraídas para um índice de fadiga quantitativo. Funções de pertinência classificam os valores das características (baixo, médio, alto), e regras fuzzy predefinidas (ex: "Se o PERCLOS é alto, então a fadiga é Média") agregam essas entradas. A desfuzzificação via método do centroide produz um valor nítido ($F_t$).
4. Média Temporal: Para garantir estabilidade e capturar tendências sustentadas, os valores instantâneos de fadiga são calculados pela média sobre uma janela de tempo ($N$ quadros) para produzir um nível de fadiga final ($F_{avg}$).

2.2 Representação de Movimento Baseada em Neurodinâmica

O framework emprega um modelo de rede neural não holonômica para representar o espaço de configuração do robô, especificamente adaptado para robôs móveis do tipo carro.

• Espaço de Estados: A rede neural é uma grade 3D onde os neurônios representam a posição planar $(x, y)$ e a orientação $\theta$ do robô.
• Restrições Cinemáticas: Diferente de modelos de robôs pontuais, as conexões neurais laterais são restritas a configurações que satisfaçam as restrições cinemáticas não holonômicas do robô móvel (limites de direção e curvatura). Isso garante que as trajetórias geradas sejam fisicamente executáveis.
• Modelo Neurodinâmico: A atividade do $k$-ésimo neurônio ($x_k$) evolui de acordo com uma equação de shunting:
  $$\frac{dx_k}{dt} = -Ax_k + (B - x_k)Q^+_k - (D + x_k)Q^-_k$$
  Onde $Q^+_k$ e $Q^-_k$ são as entradas excitatórias e inibitórias, respectivamente.

2.3 Mecanismo de Planejamento Consciente de Fadiga

O processo de planejamento modula dinamicamente o cenário neural com base no nível de fadiga estimado:

• Entrada Excitatória ($Q^+$): Impulsionada pelo espaço de trabalho alvo, criando um campo de guia global que direciona o robô para regiões relevantes da tarefa.
• Entrada Inibitória ($Q^-$):
  • Obstáculos: Geram efeitos inibitórios locais que não se propagam.
  • Operadores Humanos: O efeito inibitório é modulado por um limiar dependente da fadiga ($\sigma_c$).
  • Modulação por Fadiga: O limiar $\sigma_c$ é calculado usando uma função sigmoide do nível de fadiga média ($F_{avg}$). À medida que a fadiga aumenta, $\sigma_c$ aumenta, fortalecendo a propagação da inibição lateral ao redor do espaço de trabalho humano. Isso efetivamente amplia a "região de segurança" no cenário de atividade neural sem exigir um processo de aprendizado.
• Seleção de Caminho: O robô seleciona a próxima configuração escolhendo o neurônio vizinho com a maior atividade neural, garantindo que o caminho seja livre de colisões e cinematicamente viável.

3. Principais Contribuições

O artigo descreve três contribuições primárias:

1. Mecanismo Inibitório Modulado por Fadiga: Diferente de tratar a fadiga como uma regra de segurança fixa, o nível de fadiga estimado é integrado diretamente nas entradas inibitórias da BINN. Isso permite que a margem de segurança ao redor das regiões de trabalho humano se adapte dinamicamente ao estado do operador.
2. Design de Conexão Neural Não Holonômica: Uma estratégia específica de conexão neural é desenvolvida para robôs móveis do tipo carro. As conexões são estabelecidas apenas entre configurações que satisfazem restrições cinemáticas e de direção, garantindo que o movimento gerado seja restrito a transições fisicamente executáveis em vez de movimentos idealizados de robôs pontuais.
3. Compromisso entre Segurança-Eficiência Consciente de Fadiga: O framework permite um compromisso dinâmico. Em estados de baixa fadiga, o robô seleciona caminhos mais curtos e eficientes. Em estados de alta fadiga, o sistema aumenta automaticamente o distanciamento do operador, priorizando a segurança e o conforto sobre o comprimento do caminho.

4. Resultados

O framework foi avaliado através de simulações e experimentos no mundo real:

• Simulação (Diferentes Níveis de Fadiga):

  • Baixa Fadiga: O robô gerou uma trajetória curta e eficiente através de uma passagem estreita entre um obstáculo e uma região de trabalho humana.
  • Alta Fadiga: O aumento do limiar inibitório fez com que a passagem estreita se tornasse menos desejável no cenário neural. O robô gerou com sucesso uma trajetória alternativa com maior distanciamento, evitando o operador fatigado.
  • Comparação com APF: Em um ambiente côncavo em forma de U, o método proposto navegou com sucesso o robô para fora da região côncava. Em contraste, o método de Campo de Potencial Artificial (APF) falhou, prendendo o robô em um mínimo local devido ao cancelamento das forças de atração e repulsão.

• Experimentos no Mundo Real:

  • Configuração: Um robô móvel baseado em ROS operou em um espaço de trabalho compartilhado com três estudantes humanos montando circuitos. Câmeras monitoraram os dados faciais para estimativa de fadiga.
  • Cenário 1 (Baixa Fadiga): O robô entregou componentes de forma eficiente, navegando por lacunas estreitas entre obstáculos e operadores.
  • Cenário 2 (Alta Fadiga): Quando um estudante apresentou alta fadiga (ex: bocejo, fechamento ocular), o sistema detectou o estado e ajustou o caminho do robô. O robô evitou a passagem estreita perto do estudante fatigado, selecionando uma rota mais longa, porém mais segura, com maior distanciamento.

5. Significância e Alegações

Os autores alegam que o framework baseado em neurodinâmica proposto apoia o desenvolvimento de sistemas robóticos mais seguros e centrados no ser humano em montagem colaborativa. A significância do trabalho reside na:

• Adaptabilidade: O sistema responde a estados internos humanos dinâmicos (fadiga) sem exigir aprendizado ou retreinamento offline.
• Equilíbrio Segurança-Eficiência: Fornece um mecanismo para equilibrar dinamicamente a eficiência da tarefa com a segurança do operador, expandindo as margens de segurança apenas quando necessário.
• Robustez: A abordagem neurodinâmica demonstra desempenho superior em ambientes complexos com obstáculos côncavos comparado aos métodos tradicionais de campo de potencial, evitando mínimos locais.
• Praticidade: A integração da estimativa de fadiga baseada em visão com o planejamento de movimento em tempo real oferece uma solução viável para cenários da Indústria 5.0, onde os robôs atuam como colaboradores adaptáveis e centrados no humano.

O artigo conclui que esta abordagem aborda eficazmente as limitações dos métodos atuais de HRCA ao modelar explicitamente os estados internos humanos e integrá-los em um framework de planejamento adaptativo e unificado.