Pedestrian motion prediction is a fundamental task for autonomous robots and vehicles to operate safely. In recent years many complex approaches based on neural networks have been proposed to address this problem. In this work we show that -surprisingly -a simple Constant Velocity Model can outperform even state-of-the-art neural models. This indicates that either neural networks are not able to make use of the additional information they are provided with, or that this information is not as relevant as commonly believed. Therefore, we analyze how neural networks process their input and how it impacts their predictions. Our analysis reveals pitfalls in training neural networks for pedestrian motion prediction and clarifies false assumptions about the problem itself. In particular, neural networks implicitly learn environmental priors that negatively impact their generalization capability, the motion history of pedestrians is irrelevant and interactions are too complex to predict. Our work shows how neural networks for pedestrian motion prediction can be thoroughly evaluated and our results indicate which research directions for neural motion prediction are promising in future.
Technology has sufficiently matured to enable, in principle, flexible and autonomous robotic assembly systems. However, in practice, it requires making all the relevant (implicit) knowledge that system engineers and workers have – about products to be assembled, tasks to be performed, as well as robots and their skills – available to the system explicitly. Only then can the planning and execution components of a robotic assembly pipeline communicate with each other in the same language and solve tasks autonomously without human intervention. This is why we have developed the Factory of the Future (FoF) ontology. At its core, this ontology models the tasks that are necessary to assemble a product and the robotic skills that can be employed to complete said tasks. The FoF ontology is based on existing standards. We started with theoretical considerations and iteratively adapted it based on practical experience gained from incorporating more and more components required for automated planning and assembly. Furthermore, we propose tools to extend the ontology for specific scenarios with knowledge about parts, robots, tools, and skills from various sources. The resulting scenario ontology serves us as world model for the robotic systems and other components of the assembly process. A central runtime interface to this world model provides fast and easy access to the knowledge during execution. In this work, we also show the integration of a graphical user front-end, an assembly planner, a workspace reconfigurator, and more components of the assembly pipeline that all communicate with the help of the FoF ontology. Overall, our integration of the FoF ontology with the other components of a robotic assembly pipeline shows that using an ontology is a practical method to establish a common language and understanding between the involved components.
ZusammenfassungDieser Beitrag der Zeitschrift Gruppe. Interaktion. Organisation. (GIO) widmet sich der lernförderlichen Gestaltung eines roboterbasierten Assistenzsystems für industrielle Montagetätigkeiten. Individualisierte Produkte, kleinere Losgrößen und beschleunigte Prozesse sind Aspekte des digitalen Wandels in der industriellen Fertigung und Teil des Leitbilds einer flexiblen Produktion. Mensch-Roboter-Kollaboration und wissensbasiertes Engineering sind aktuelle Ansätze, um diesen Anforderungen gerecht zu werden. Dieser Artikel stellt an einem Anwendungsbeispiel (Verdrahtung von Schaltschränken) einen ersten Ansatz vor, wie mittels wissensbasierter Technologien (v. a. Ontologien und deren logische Interpretation) Vorschläge zur Arbeitszuteilung zwischen Menschen und Robotern sowohl nach ökonomischen als auch nach Kriterien der humanen Arbeitsgestaltung automatisiert erstellt werden können. Zum einen können für jede Aufgabe ihre Anforderungen mit den individuellen Fähigkeiten und Stärken der Beschäftigten sowie mit denen des kollaborativen Robotersystems in einem Mixed-Skill-Konzept nach betrieblichen Kennziffern (z. B. Zeit, Qualität) abgeglichen werden, um sich so einem optimalen Produktionsablauf anzunähern. Zum anderen können dabei Aspekte einer humanen Gestaltung der Mensch-Maschine-Interaktion (MMI) berücksichtigt werden, die vordringlich mit Blick auf Lernförderlichkeit zusammengeführt werden. Lernförderlichkeit in der MMI setzt Zeit, Handlungsräume und förderliche Inhalte voraus und ist zugleich eine zunehmende Notwendigkeit, um vorausschauend auf den dynamisierten Wandel von Arbeit zu reagieren. Denn gerade mit dem Technikeinsatz ist ein starker Tätigkeitswandel in Richtung Entscheidungsträger und Problemlöser verbunden, der neben Qualifizierung und Weiterbildung auch niedrigschwelliger, arbeitsintegrierter Lerngelegenheiten bedarf. Gerade die kollaborative Robotik als Schlüsseltechnologie der flexiblen Fertigung macht es nötig, neue Konzepte für die Organisation des hybriden Zusammenwirkens von Mensch und Roboter zu entwickeln. Im Folgenden wird aufbauend auf den grundlegenden Ansatz das Konzept eines technischen Demonstrators vorgestellt, welches entlang eines empirischen Fallbeispiels entwickelt wurde. Die prototypische, technische Umsetzung basiert auf einer Arbeitsumgebung mit einem Roboterarm und zugehörigen Werkzeugen, formalen semantischen Beschreibungen der Fähigkeiten und Tätigkeiten von Menschen und Robotern sowie einer intuitiven Benutzeroberfläche, unter anderem für die individuelle Anpassung der generierten Arbeitszuteilungen.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.