💻 computer science

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

本文提出了一种用于人机协作制造的新型实时安全监测系统，该系统利用集成在腕部的惯性测量单元（IMU）以及基于腕部优化的弹簧-阻尼-质量模型和基于阻抗的概率评估的预测安全模型，在多种制造任务中展示了稳健的性能。

原作者： Musab Zubair Inamdar, Alhusain Al Hadrami, Seyed Amir Tafrishi

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Musab Zubair Inamdar, Alhusain Al Hadrami, Seyed Amir Tafrishi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下这样一个工厂车间：一名人类工人与一台机器人并肩工作，互相传递工具和零件。通常情况下，安全系统完全关注机器人本身：“机器人的移动速度是否过快？它是否离人类太近了？”但这篇论文提出了一个不同的问题：“人类的手臂是在以一种受控、可预测的方式运动，还是在进行挥动、抽搐或突然且不规则的动作？”

为了回答这个问题，研究人员创建了一个“智能手表”系统（实际上是绑在手腕上的传感器），它扮演着一个预测教练的角色。

以下是该系统的运作方式，通过简单的概念进行拆解：

1. “弹簧加载式”教练

其核心思想基于预测安全模型 (PSM)。不要把人类手臂看作复杂的生物机器，而要将其视为一个简单的弹簧-阻尼系统（类似于闭门器或汽车上的减震器）。

理论： 当人类进行重复性任务（如拧紧螺栓）时，他们的手臂会自然地遵循一条平滑、有节奏的路径，就像摆动的钟摆一样。
预测： 计算机使用这种“弹簧”模型来猜测，如果运动是平滑且受控的，手腕在下一瞬间“应该”处于什么位置。

2. “现实检查”传感器

工人佩戴着一个小型传感器（IMU）在手腕上。这个传感器就像一个高速裁判，不断地报告手腕的实际位置和速度。

对比： 系统不断将教练的预测（手臂“应该”在哪里）与传感器的现实（手臂“实际”在哪里）进行比较。
结果： 如果人类动作平滑，预测值与现实值会完美匹配。如果人类手部发生抽搐、冲过目标点，或做出突然的惊慌修正，两者就会产生偏差。

3. “红绿灯”系统

论文引入了一个像红绿灯一样的安全评分机制：

绿灯（安全）： 手臂运动平滑，符合“弹簧”模型。
黄灯（警示）： 手臂开始出现漂移或运动略显不规则。
红灯（危险/异常）： 手臂正以一种混乱、不规则的方式运动（例如突然的反向运动或剧烈的挥动）。

4. 他们测试了什么

研究人员在三种常见的工厂任务中测试了该系统：

紧固： 使用手动工具进行拧紧操作。
视觉检测： 在观察物体的同时移动手腕。
取放： 拿起物品并将其放置在某处。

他们要求志愿者以两种方式完成这些任务：

受控模式： 动作小心且平滑。
不规则模式： 故意表现出糟糕的动作（抽搐、冲过头、停顿并突然开始等），以模拟因疲劳、分心或赶时间而可能发生的情况。

5. 关键发现：速度 vs 位置

关于传感器应该关注什么，有一个非常有趣的发现。

问题： 手腕传感器在精确角度（位置）方面有时会产生轻微的“漂移”。这就像一个慢慢偏离航向的指南针。
解决方案： 研究人员发现，观察**手腕速度的变化率（速度/加速度相关特性）**比观察精确的角度（位置）是一种更可靠的识别危险的方法。
类比： 想象你在开车。如果你在车道内稍微偏离了中心线（位置误差），你可能还算安全；但如果你突然猛踩刹车并左右摇摆（速度/运动误差），那就是即刻的危险。该系统在关注“转向/晃动”而非“车道位置”方面表现得更好。

总结

这篇论文是一个“概念验证”。它并不声称已经解决了所有的工厂安全问题。相反，它证明了通过在手腕上佩戴一个简单、轻便的传感器，结合智能“弹簧”模型，可以成功区分人类是在平滑运动，还是在进行混乱且具有潜在危险的运动。

它证明了我们可以通过监测不规则的抽搐和速度的突然变化，而非仅仅等待机器人靠近，来实现对人类安全的实时监控。

技术摘要：基于腕部 IMU 与 PSM 系统的真人手臂操作实时安全评估

问题陈述
虽然协作机器人提高了制造的灵活性，但随着人机接近距离的增加，安全性成为了一个关键挑战。目前的工业安全标准主要依赖于保守的工作空间保护措施和机器人端的约束（例如速度限制、分离距离）。然而，这些策略并未直接量化人类操作者自身运动的质量、规律性或控制力。在协作工作单元中，人类行为具有高度的任务依赖性，由于疲劳、分心或匆忙操作，行为可能变得不规则或具有危险性。现有文献过度关注机器人运动预测和碰撞规避，而将可穿戴惯性传感作为协作制造中连续的腕部级安全评估手段的研究仍处于探索阶段。目前迫切需要一种直接源自可穿戴运动数据、且无需对整个工作空间进行全面监测的紧凑型、可解释的安全指标。

方法论
本文提出了一种针对腕部的预测安全模型（PSM）改进方案，该模型最初是为上肢运动设计的，现已针对协作制造任务进行了定制。系统架构由三个主要部分组成：

传感与数据采集： 在操作者的腕部安装了一个 BNO055 惯性测量单元（IMU）。它提供融合后的姿态估计和角速度测量。系统在经过滤波的离散时间数据流（20 Hz）上运行，以抑制噪声并保留任务相关的动力学特性。
预测安全模型 (PSM)： 该方法的核心是一个简化的弹簧-阻尼-质量摆模型。与完整的上肢公式不同，该版本针对腕部和前臂运动进行了调优，采用了特定的有效参数：手臂质量为 2 kg，摆长为 0.2 m，基座半径为 0.25 m。该模型基于由重力参考角坐标 ( $\theta_g$ ) 和角速度大小 ( $\omega$ ) 定义的简化状态空间，生成“任务一致的安全参考运动”。
安全评估流水线：
- 概率图： 通过记录的试验构建特定任务的概率图，将简化状态 $(\theta_g, \omega)$ 映射到经验似然度。高概率区域代表规则、可重复的运动；低概率区域则表示不规则运动。
- 在线预测： 系统在实时运行中查询局部概率邻域，以确定运动最可能的安全延续方向，并传播 PSM 以获得预测的安全状态。
- 受阻抗启发的安全指标： 系统计算时域内测量到的 IMU 运动与 PS模型预测之间的偏差。通过融合姿态误差 ( $e_\theta$ ) 和角速度误差 ( $e_\omega$ )，计算出一个受阻抗启发的归一化误差指标 ( $e_{imp}$ )。
- 权重策略： 测试了两种权重情况：“位置优先型”（0.6 姿态，0.4 速度）和“速度优先型”（0.4 姿态，0.6 速度）。作者假设，对于腕部安装的 IMU，速度优先型更稳定，因为这类传感器对短期速度变化的鲁棒性通常高于对绝对姿态漂移的鲁棒性。
- 分类： 根据从受控执行与不规则执行中得出的经验阈值（ $\epsilon_s = 0.15$ ， $\epsilon_c = 0.25$ ），将安全等级分为“安全”、“警示”或“类危险”状态。
- 离线基准： 保留了一个频谱误差指示器（频域分析）作为离线对比基准，以验证时域结果。

核心贡献

腕部专用 PSM 改编： 本文针对与制造相关的腕部及前臂运动，改编了弹簧-阻尼-质量预测安全模型，这与以往的上肢公式有所区别。
实时评估流水线： 实现了一个自包含的流水线，将腕部运动映射到概率安全参考模型，并在无需全身体态估计的情况下，通过姿态和角速度偏差计算安全性。
受阻抗启发的安全指标： 引入了一种时域安全指标，解决了仅依赖频域指标进行在线评估的局限性。
实验验证： 通过三种代表性的手动任务进行了验证：使用手持工具紧固、视觉检测以及取放任务。

结果
研究通过涉及五名参与者的 18 次任务试验进行了验证。每个任务均包括受控、常规及刻意不规则（类危险）的执行过程。

运动类型分离： 结果显示，在所有三个任务中，受控运动与刻意不规则运动之间存在明显的区分。不规则运动（其特征是突发性的反向运动、过冲和不一致的时序）始终产生更高的误差值。
速度 vs. 位置权重： 速度优先型权重（ $P^*=0.4, D^*=0.6$ ）在在线评估中被证明比位置优先型权重更稳定且更有效。数据表明，危险类行为更多地通过时域不规则性和突发性的纠正动作（角速度误差）体现，而非通过较大的绝对姿态偏移。
指标性能： 与基于频率的评分相比，受阻抗启发的评分在安全类与不安全类之间的中心趋势分离更为清晰。虽然取放任务由于其更宽的运动包络线而产生了较高的绝对安全得分，但所有任务都保持了明确的安全与不安全的分离。
阈值： 在测试的数据集中，受控操作通常保持在安全阈值（ $\epsilon_s = 0.15$ ）以下，而不规则事件则一致性地超过了警示阈值（ $\epsilon_c = 0.25$ ）。

意义与主张
作者将这项工作定位为概念验证研究，而非大规模人群研究。其主要意义在于证明了轻量化腕部传感器结合可解释的预测模型，可以为人机协作工作单元提供有用的实时安全信息。

本文的主张如下：

腕部安装的 IMU 可以有效地作为连续的安全评估器，而无需对整个工作空间进行监测。
腕部运动中的时间不规则性，比单纯的绝对姿态偏差更能可靠地指示潜在的安全风险。
所提出的框架为 PSM 方法提供了一个实用的扩展，通过简化的、针对腕部的公式，使其能直接应用于人机协作任务。

作者明确指出，报告的阈值是针对测试任务和数据集的经验操作点，而非通用的安全限制。作者也指出，未来的工作需要在更大规模的多参与者验证、任务自适应阈值选择以及与其他实时监测方法的对比方面进行深入研究。