Effizienzsteigerung durch die Bewegungsanalyse und ...

zfa.online.de

Effizienzsteigerung durch die Bewegungsanalyse und ...

Dino Bortot 1 , Hao Ding 3 , Fabian Günzkofer 1 , Dominik Stengel 2 , Klaus Bengler 1 , Frank Schiller 2 und Olaf Stursberg 3

1

Technische Universität München, Lehrstuhl für Ergonomie, München; 2 Technische Universität München, Lehrstuhl für Informationstechnik im Maschinenwesen,

München; 3 Universität Kassel, Fachgebiet Regelungs- und Systemtheorie, Kassel

Effizienzsteigerung durch die Bewegungsanalyse und

-modellierung der Mensch-Roboter-Kooperationen

• Bewegungserfassung • Bewegungsmodellierung • Mensch-Roboter-Kooperation • Effizienz •

Sicherheit

Zusammenfassung

Um die Mensch-Roboter-Kooperationen nicht nur sicher,

sondern auch effizient zu gestalten, sollen Modelle über das

menschliche Bewegungsverhalten in die Robotersteuerung

integriert werden. Diese sollen den weiteren Verlauf einer

Bewegung des Nutzers prädizieren und somit dazu führen,

dass bei der Planung der Trajektorien für den Roboter ein

ausreichend sicherer Abstand zwischen den beiden Interaktionspartnern

gewährleistet wird, indem der voraussichtlich

durch den Menschen belegte Raum berücksichtigt wird. Zur

Erstellung der Modelle müssen typische Bewegungen des

Menschen erfasst und in der Folge analysiert werden.

Praktische Relevanz

Mensch-Roboter-Kooperationen zeichnen sich dadurch aus,

dass sich die beiden Kooperationspartner gegenseitig ergänzen

und Schwächen des einen Partners durch entsprechende Stärken

des zweiten Partners ausgeglichen werden. Beispielsweise

lässt sich durch die Übernahme eines Lastgewichts durch

einen Roboter und eine damit einhergehende Entlastung

des Mitarbeiters die Ergonomie des Arbeitsplatzes deutlich

verbessern. Gleichzeitig lässt sich über die kooperative Interaktion

die Effizienz des Gesamtsystems steigern.

Augmentation de l’efficience de la coopération

Homme-Robot par l’étude de l’analyse de mouvement

ainsi que sa modélisation

• Recensement des mouvements • modélisation de mouvement

• coopération Homme-robot • efficience • sécurité

Résumé

Pour établir une coopération homme-robot non seulement

sûre, mais également efficiente, les modèles doivent intégrer

le comportement du mouvement humain dans la commande

robotisée. Ceux-ci doivent prédire le déroulement d’un mouvement

de l’utilisateur, et ainsi veiller à ce que la planification

de la trajectoire du robot garantisse une distance de sécurité

suffisante entre les deux partenaires en interaction. Ceci

s’effectue en prenant en considération un espace de déplacement

de l’homme. Lors de l’établissement de ces modèles,

les mouvements typiques de l’homme doivent être saisis et

analysés par la suite.

Importance pratique

Les coopérations Homme-Robot se distinguent par le fait que

les deux partenaires se complètent mutuellement. En effet,

les faiblesses de l’un sont compensées par les qualités complémentaires

du deuxième. Par exemple, la prise en charge

d’un poids imposant par un robot, et donc le soulagement de

la contrainte sur le collaborateur, améliore de façon claire

l’ergonomie sur le lieu de travail. Dans un même temps,

l’efficience de la globalité du système augmente grâce à cette

interaction coopérative.

(64) 2010/2 Z. ARB. WISS. Effizienzsteigerung durch die Bewegungsanalyse und -modellierung der Mensch-Roboter-Kooperationen 65

zfa2_2010.indb 65 17.05.2010 13:07:06


Motion analysis and motion modeling to increase efficiency of robothuman

cooperation

• Motion capturing • motion modeling • robot-human cooperation • efficiency • safety

Summary

Robot-human cooperation scenarios are a growing field of

research. Since the use of robotics has been characterized

by a distinct separation between humans and robots thus far,

the safe and at the same time efficient collaboration between

the two has yet to be analyzed. This topic contains several

different research areas:

• Research on cooperation in which humans and robots have

to accomplish a common task

• Analysis of the physical interaction of humans and robots:

whether the robot touches the person or the person touches

the robot

• Investigation of the coordination of human movements/

actions and those of the robot (Collision Avoidance).

The main goal of the research project EsIMiP is generating a

level of robot-human cooperation in a production environment

which not only meets all the requirements of safety issues, but

is also aimed at achieving maximum efficiency.

In recent years the development of environmental sensors has

advanced a great deal. Robots are able to adapt their behavior

during production processes, if it becomes necessary. They

can switch their operating mode from a normal state to a state

of reduced performance (e.g. lowering velocity or emergency

stop). However a better alternative is replanning the robot’s

trajectory, to create a sufficient distance from the human. As

a consequence collisions can be avoided and the system’s

efficiency is maximized. In order to do that prediction of

human motion behavior is necessary.

A variety of complex factors determine human motion behavior,

such as their motion intentions (e.g. goal-oriented), their

emotional state, the motion context etc.

One type of approaches in the literature assumes that humans

tend to follow typical motion patterns. If those patterns are

known, it is possible to use them to predict the future human

motion, instead of explicitly modeling all the factors.

A probabilistic framework, namely ‘Hidden Markov Model’

(HMM) is often used because it can represent the uncertainties

associated with sensor noise and take into account the model’s

incompleteness.

Digital human models (DHMs) are needed to represent the

detected shape and position of the human body. Joint angles,

postures and the distance between the robot and the human

can be calculated with the help of a DHM. They exist in many

different versions; depending on the application several levels

of detail are implemented. For the application ‘robot-human

cooperation’ real-time capable motion capturing has to be

ensured; therefore the model to represent the human must not

be too complex. A DHM consisting of six cylinders could be

conceivable: one for each leg, one for each arm, one for the

torso and one for the head.

Within the research project three different scenarios are going

to be investigated. The first one is a robot-human cooperation

in a large production environment, where the human is able

to walk around; the DHM consists of one cylinder only. The

level of detail is low.

In the second scenario a human sits at a workbench and collaborates

with the robot. The DHM is reduced to the arm only,

but represented more accurately.

The third scenario combines the elements of the first two: a

human collaborating with a robot in a large production environment,

where the human’s movements are observed and

modeled from the bird’s eye view as well as from a closer

look at individual parts of the body.

The next step in research could be the development of DHMs

to improve the realistic representation of the human and

therefore increase the efficiency of robot-human cooperations

even more.

Human-robot interactions are characterized by the fact that

the two partners complement each other and weaknesses of

one partner can be compensated by corresponding strengths

of the second partner. For example, you could improve the

ergonomics of a workplace by making the robot handle the

load weight and therefore ease the working conditions for the

operator, who could undertake mentally demanding tasks.

Simultaneously the efficiency of the entire system can be

increased by cooperative interaction.

Practical Relevance

Human-robot interactions are characterized by the fact that

the two partners complement each other and weaknesses of

one partner can be compensated by corresponding strengths

of the second partner. For example, you could improve the

ergonomics of a workplace by making the robot handle the

load weight and therefore ease the working conditions for the

operator, who could undertake mentally demanding tasks.

Simultaneously the efficiency of the entire system can be

increased by cooperative interaction.

66 D. Bortot, H. Ding, F. Günzkofer, D. Stengel, K. Bengler, F. Schiller, O. Stursberg

(64) 2010/2 Z. ARB. WISS.

zfa2_2010.indb 66 17.05.2010 13:07:19


1 Bewegungsmodellierung

im Rahmen der

Mensch-Roboter-

Kooperation (MRK)

1.1 Mensch-Roboter-Kooperationen

Da der Einsatz von Robotik bisher

durch eine deutlichen Trennung zwischen

Mensch und Roboter geprägt ist,

stellen gerade Mensch-Roboter-Kooperationen

(MRK) ein stetig wachsendes

Untersuchungsfeld an Instituten

der Forschungseinrichtungen dar

und besitzen für die betriebliche Effizienzsteigerung

ein enormes Potenzial.

Das interdisziplinäre Themengebiet

mit Einflüssen aus der Mechanik, der

Mathematik, der Informatik und der

Regelungs- und Steuerungstechnik zur

Konstruktion des Roboters mitsamt

seiner Sensorik sowie zusätzlich der

Psychologie und der Ergonomie zur

Berücksichtigung des menschlichen

Verhaltens besitzt eine große Vielfalt

an zu erforschenden Aspekten:

• Untersuchung nutzerfreundlicher,

intuitiver Kommunikationsmodalitäten

(natürliche Sprache, Gestik,

Mimik)

• Erforschung von MRKen, in denen

Mensch und Roboter eine gemeinsame

Aufgabe zu erledigen haben

• Analyse der physikalischen Interaktion

von Menschen und Robotern:

Der Roboter berührt den Menschen

bzw. der Mensch berührt den Roboter

• Untersuchung der Koordination

der menschlichen Bewegungen/

Handlungen mit jenen des Roboters

(Kollisionsvermeidung) (Kluge et

al. 2004).

Das nachfolgend vorgestellte, von der

Bayerischen Forschungsstiftung geförderte

Forschungsvorhaben EsIMiP

(Effiziente und sichere Interaktion von

Menschen und intelligenten Produktionsanlagen)

behandelt insbesondere

die drei zuletzt genannten Punkte. In

einem Produktionsumfeld soll eine

MRK realisiert werden, die nicht nur

alle Anforderungen der Sicherheitstechnik

erfüllt, sondern auch auf die

Erreichung einer maximalen Effizienz

ausgerichtet ist.

1.2 Kollisionsvermeidung in der

Produktion

Industrieroboter waren im 20. Jahrhundert

vorrangig mit der sturen Abarbeitung

mechanischer (Transport-)

aufgaben betraut (z. B. dem Handling

von Bauteilen), während Menschen

sämtliche kognitiven Aufgaben des

Produktionsprozesses übernahmen.

Roboter verfügten nicht über Umfeldsensoriken,

die ihnen eine Interaktion

mit ihrer Umwelt ermöglicht hätten.

Demzufolge stellten sie für alle umgebenden

Interaktionspartner – einerseits

natürlich insbesondere menschliche

Bediener, andererseits aber auch andere

dynamische Objekte im Produktionsumfeld

– eine große Gefahr dar.

Das Produktionsumfeld andererseits

war exakt beschrieben und von der

restlichen Umgebung abgegrenzt.

In den letzten Jahren entwickelten

sich Sensorsysteme derart, dass auch

dynamische Objekte mit ausreichender

Genauigkeit erkannt werden können

(bspw. ein im Produktionsumfeld gehender

Mensch). Robotiksysteme haben

somit nicht mehr nur mechanische

Fähigkeiten, sondern verfügen zusätzlich

über Informationen bzgl. statischer

und dynamischer Umweltaspekte.

Dies ermöglicht ihnen, ihr Verhalten

während des Produktionsprozesses

entsprechend anzupassen, d. h. bei

einer zu gefährlichen Annäherung des

Menschen in einen Zustand niedrigerer

Produktivfunktion überzugehen

(z. B. Verzögerung, Aktivieren der

eigenen Geschwindigkeit der Not-

Aus-Funktion) oder die Planung der

Trajektorie neu zu planen, um für eine

ausreichende Distanz zum Menschen

zu sorgen. So können Kollisionen

vermieden und damit die Sicherheit der

MRK gewährleistet werden.

1.3 Steigerung der Effizienz von

MRKen durch die Modellierung

menschlicher Bewegungen

Durch die Detektion von Hindernissen

im Arbeitsumfeld können Sicherheitsanforderungen

zwar erfüllt werden,

indem mögliche Kollisionen rechtzeitig

erahnt und verhindert werden. Die

Effizienz des Gesamtsystems kann

darunter aber deutlich leiden. Vorstellbar

sind Szenarien, in denen sich eine

Person häufig in die Nähe des Roboters

begibt, von der entsprechenden Umfeldsensorik

erfasst wird und infolgedessen

die Sicherheitsfunktion das

Gesamtsystem in einen sicheren aber

unproduktiven Zustand überführt. Anzustreben

ist jedoch vielmehr, dass die

Anlage selten in einen solchen Zustand

übergeht und dadurch die Performanz

über eine höhere Verfügbarkeit der

Nutzfunktion gesteigert wird. Modelle

der menschlichen Bewegungen können

der Erreichung dieses Ziel dienen,

indem anhand von Initialbewegungen

des Menschen auf den weiteren Verlauf

seiner Bewegung rückgeschlossen

wird. Diese mit Wahrscheinlichkeiten

behaftete Information über das künftige

Bewegungsverhalten des Menschen

kann als Eingangsparameter für die Robotersteuerung

benutzt werden, indem

der mit einer hohen Wahrscheinlichkeit

durch den Menschen belegte Raum für

den Roboter gesperrt und dieser auf

einer anderen Trajektorie zum Ziel

geführt wird. Dadurch bleiben die

beiden Interaktionspartner ausreichend

voneinander entfernt.

Im Folgenden werden zuerst Systeme

zur Bewegungserfassung von

Menschen vorgestellt. Diese werden

benötigt, um die Grunddaten für die

Modellierung zu sammeln. Auf die

Analyse und die anschließenden Möglichkeiten

zur Modellierung von Bewegungen

wird anschließend in Kapitel 3

eingegangen. Das vierte Kapitel gibt

einen Einblick in das Anwendungsgebiet

MRK und schildert die geplanten

Versuche. Im abschließenden fünften

Kapitel ist ein kurzer Ausblick zur

Bewegungs- und Menschmodellierung

aufgeführt.

2 Bewegungserfassungssysteme

2.1 Stand der Technik

In der Literatur gibt es verschiedenartige

Konzepte, mithilfe derer

der Mensch im euklidischen Raum

detektiert werden kann. Hierbei kann

prinzipiell zwischen Sensoren, die

(64) 2010/2 Z. ARB. WISS. Effizienzsteigerung durch die Bewegungsanalyse und -modellierung der Mensch-Roboter-Kooperationen

67

zfa2_2010.indb 67 17.05.2010 13:07:19


direkt am Menschen bzw. am Betrachtungsgegenstand

platziert sind (intrinsische

Anordnung) sowie Sensoren zur

Beobachtung von außen (extrinsische

Anordnung) unterschieden werden.

Entsprechend der Platzierung der Sensorik

können wiederum verschiedene

Messprinzipien zur Anwendung kommen.

Dies ist in Bild 1 ersichtlich.

Goniometer

Intrinsische

Sensoranordnung

Bewegungserfassung

Extrinsische

Sensoranordnung

akustisch

Beschleunigungssensor

elektromagnetisch

optoelektronisch

Im weiteren Verlauf werden nähere

Details zu den einzelnen Prinzipien

aufgezeigt.


markerlos

markerbasiert

Die einfachste und kostengünstigste

Art der Bewegungserfassung besteht in

der Nutzung von Goniometern (Winter

2005; Ausejo & Wang 2009). Dabei

werden die zwei Schenkel des Winkelmessers

jeweils an den Körpersegmenten

befestigt, die das Gelenk verbindet.

Auf einer Skala kann der Winkel direkt

abgelesen bzw. über Potentiometer ermittelt

werden. Diese Art der Messung

bietet sich für die Betrachtung einzelner

Gelenke an, stellt sich aber für

eine komplexere Bewegungserfassung

als ungeeignet heraus. Erstens können

keine dreidimensionalen Bewegungen,

wie sie Hüfte und Schulter ermöglichen,

erfasst werden. Zweitens bedingt

die Montage, bei welcher die Drehachsen

von Gelenk und Goniometer

kongruent ausgerichtet werden müssen,

an manchen Gelenken eine sehr

zeitraubende Vorbereitung. Drittens

wird die Bewegung selbst manipuliert,

da die natürlichen Gelenkbewegungsbahnen

nicht unbedingt Kreisbögen

entsprechen, wie beispielsweise die

Gleit-Abrollbewegung im Kniegelenk

(Kummer 2005).

Eine weitere Möglichkeit stellen

Beschleunigungssensoren dar, bei

welchen die Bestimmung der örtlichen

Lage aus einer zweifachen Integration

erfolgt (z. B. Motek: http://www.emotek.com;

Farella et al. 2007). Als

nachteilig erweist sich das Driften bei

geringen Frequenzen und die notwendige

Verkabelung an der Versuchsperson.

Weiterhin muss die Lage des

Sensors genau definiert sein, um die

Sensordaten auf die kinematischen

Daten des Körpersegments übertragen

zu können.

Ein vor allem in der Medizin übliches

Verfahren besteht in der Verwendung

eines akustischen Systems (z. B. Zebris:

http://www.zebris.de). Der Proband

Bild 1:

Figure 1:

Illustration 1:

Prinzipien von Systemen zur Bewegungserfassung

Principles of systems for motion capturing

Principes des systèmes pour le recensement des mouvements

wird mit akustischen Sendern versehen

und bewegt sich in einem aus Mikrophonen

gebildeten Messvolumen.

Nachteilig wirken sich Reflektionen

und eine limitierte mögliche Anzahl

an Sensoren aus.

Elektromagnetische Systeme (z. B.

Motek; Bodenheimer et al. 1997)

generieren ein magnetisches Feld als

Messvolumen. Über die Messung der

magnetischen Feldstärke bestimmen

die auf dem Körper aufgebrachten

Sensoren ihre Lage und Orientierung.

Dieses System ermöglicht jedoch nur

ein kleines Messvolumen und eine limitierte

Anzahl an Sensoren. Zudem ist

das System sehr anfällig für Messfehler

durch im Messvolumen befindliche

metallische Gegenstände.

Eine Weiterentwicklung dieser Systeme

stellen inertiale Systeme wie das

MEMS (micro-electronic mechanical

system) von Xsens (http://www.xsens.

com/) dar, welche aus Beschleunigungssensoren,

Gyroskopen und

Magnetometern bestehen. Als externes

magnetisches Feld wird das der Erde

verwendet; die Übertragung erfolgt

kabellos. Der einzige Nachteil besteht

darin, dass die Versuchspersonen

einen Spezialanzug mit Verkabelung,

Sensoren und Spannungsquelle tragen

müssen, was wiederum zu Bewegungsartefakten

führen kann.

Eine innovative Entwicklung stellen

sogenannte markerlose Systeme dar,

welche Bewegungen optoelektronisch

ohne weitere Sensorik an der Versuchsperson

erfassen. Die Genauigkeit

solcher Systeme liegt derzeit noch

deutlich unter der von markerbasierten

Systemen, allerdings können sich die

Versuchspersonen frei und natürlich

bewegen. In der Entertainment-Branche,

wo anatomische Genauigkeit nicht

im Mittelpunkt steht, wird hiermit

beispielsweise versucht, „controllerfree“

lediglich mit seinem Körper

Programme zu steuern (z. B. Projekt

Natal: www.xbox.com/en-US/live/

projectnatal).

Im Forschungsbereich gibt es Verfahren

wie MeMoMan, bei welchem eine

Szene mit mehreren Kameras gefilmt

wird und die Umrisse der Versuchsperson

über eine Hintergrundsubtraktion

herausgefiltert werden (Engstler 2009).

Über einen „Particle Filter“ wird in

diese Silhouette zur Ermittlung von

Gelenkwinkeln ein an PCMAN (Geuss

et al. 1995) angelehntes Menschmodell

eingepasst. Voraussetzung ist bisher

noch ein an die Versuchsperson anthropometrisch

angepasstes Modell.

Optoelektronische markerbasierte Systeme

stellen das am weitesten verbreitete

Verfahren dar (Vicon: http://www.

vicon.com; Motion Analysis Corpora-

68 D. Bortot, H. Ding, F. Günzkofer, D. Stengel, K. Bengler, F. Schiller, O. Stursberg

(64) 2010/2 Z. ARB. WISS.

zfa2_2010.indb 68 17.05.2010 13:07:20


tion: http://www.motionanalysis.com/;

Qualisys: http://www.qualisys.com/).

Hierbei wird zwischen passiven und

aktiven Markern unterschieden. Bei

aktiven Markern handelt es sich um

LEDs, die von Kameras erfasst werden,

wodurch die Markerpositionen

bestimmt werden können (PhaseSpace:

http://www.phasespace.com/; Optotrak:

http://www.ndigital.com/lifesciences/certus-motioncapturesystem.

php; Qualisys). Passive Marker sind

retroreflektierende Kugeln, die von

Infrarotkameras beleuchtet werden.

Es wird zwar im Vergleich zu aktiven

Markern keine so hohe Genauigkeit erreicht,

sehr vorteilhaft ist jedoch, dass

ohne Kabeln und Batterien (Ausejo &

Wang 2009) gearbeitet werden kann.

Der größte allgemeine Nachteil optoelektronischer

Systeme besteht in Verdeckungen

einzelner Marker (Godin &

Chiang 2009). Um die durchgängige

Sicht auf alle Marker zu erhöhen, ist

daher eine hohe Anzahl an Kameras

nötig, da zur Detektion eines Markers

die Erfassung durch mindestens zwei

Kameras erforderlich ist.

Für die praktische Anwendung der

Bewegungserfassung innerhalb von

MRK-Szenarien sind Systeme notwendig,

die die Flexibilität in der

Arbeitsumgebung und somit im Betrieb

möglichst wenig einschränken.

Eine Platzierung von Markern oder

Goniometern am Bediener ist in der

Theorie denkbar, in der Praxis jedoch

meist nicht möglich. Es werden Systeme

benötigt, die ohne Marker den

Menschen erfassen.

Für die Vorab-Modellierung des Bedieners

in einem gegebenen Szenario können

jedoch vor dem Betrieb Messdaten

gewonnen werden. Sie geben darüber

Auskunft, wie sich Werker in dem

gegebenen Arbeitsumfeld verhalten.

Hierfür sind auf dem Markt bereits erhältliche

Systeme, wie beispielsweise

Vicon, das Daten in einer sehr hohen

Genauigkeit liefert, zu präferieren.

2.2 Vicon und Datengenerierung in

Vicon

Bild 2: Retroreflexion am passiven

Marker

Figure 2: Retro reflection on passive

markers

Illustration 2: Rétro-réflexion sur les marqueurs

passifs

Die Forschungsgruppe aus EsIMiP hat

sich für das im Kontext der digitalen

Menschmodellierung stark verbreitete

optoelektronische System Vicon

entschieden, um die Daten für die

Bewegungsmodellierung zu ermitteln.

Verwendung findet ein Vicon MX

T10 System mit sechs Kameras. Die

Kameras bieten eine Auflösung von

einem Megapixel (1120x896) bei einer

maximalen Frequenz von 250 Hz. Die

farbliche Auflösung entspricht einer

10 Bit Graustufenskala. Kreisbogenförmig

um die Linse herum sind 320

LEDs angeordnet, welche gepulstes

Infrarotlicht (780 nm) emittieren.

Dieses Licht wird an den Markern retroreflektiert

und gelangt in die Linse

der Kamera (Bild 2).

Bild 3: Lokalisierung der Marker in einer

Infrarotkamera

Figure 3: Localization of the markers in an

infrared camera

Illustration 3: Localisation des marqueurs dans

une caméra infrarouge

In einem VEGAS-1 CMOS Sensor

erfolgt direkt in der Kamera ausgehend

von dem eintreffenden Lichtmuster die

Lokalisierung der Marker durch zwei

Koordinaten (Bild 3).

Durch eine Kalibration wird vor dem

Tracking die relative Lage der Kameras

zueinander ermittelt. Alle Kameras

sind an einen MX Giganet angeschlossen,

in dem die Ermittlung der

Raumkoordinaten der Marker erfolgt.

Dies geschieht durch Triangulation der

zweidimensionalen Informationen von

mindestens zwei Kameras.

Häufig ergibt sich das Problem, dass

durch Verdeckungen ein Marker für

mehrere Frames nicht gesehen wird.

In diesem Fall können direkt in Vicon

Nexus, der Software von Vicon, die

Lücken über eine Spline-Interpolation

geschlossen werden. Alternativ kann

ein Marker mit angenommen ähnlicher

Trajektorie als Referenz für eine

Lückenfüllung ausgewählt werden.

Weiterhin existieren anspruchsvollere

Möglichkeiten wie die „optimal

tracking method“ von Ausejo et al.

(2006).

Ergebnis einer Bewegungserfassung

mit Vicon sind lediglich Raumkoordinaten

der Marker über der Zeit. Ist

das eigentliche Ziel die Ermittlung

von Gelenkwinkeln so folgt an dieser

Stelle die Bewegungsrekonstruktion.

Hier wird über Methoden der inversen

Kinematik ausgehend von auf der Haut

befindlichen Markern auf Körpersegmente

und schließlich auf Gelenkwinkel

geschlossen (Doriot 2004; Legnani

1996). Ein wichtiger Zwischenschritt

besteht in der Ermittlung der Gelenkdrehpunkte.

Im einfachen Fall, wie

zum Beispiel beim Ellbogen kann

das Drehzentrum durch Mittelung

der Koordinaten von epicondylus

lateralis und medialis approximiert

werden. Schwieriger gestaltet sich

die Ermittlung beispielsweise beim

Schultergelenk. Im speziellen Fall des

Projektes EsIMiP wird die Schulter

direkt durch einen Marker auf dem

Acromion dargestellt. Für biomechanisch

detailliertere Untersuchungen

wird über mehrere Marker, aufgebracht

an definierten anatomischen Landmarken

nach ISB-Konventionen (Ge Wu

1995; Ge Wu 2002; Ge Wu 2005), auf

das Drehzentrum geschlossen. In den

meisten Fällen geschieht dies über Re-

(64) 2010/2 Z. ARB. WISS. Effizienzsteigerung durch die Bewegungsanalyse und -modellierung der Mensch-Roboter-Kooperationen

69

zfa2_2010.indb 69 17.05.2010 13:07:20


gressionsgleichungen (Sholukha et al.

2009). Die höchste Stufe der Genauigkeit

wird erreicht, indem anatomische

Landmarken (AL) nicht direkt mit

Markern beklebt, sondern in Bezug auf

Marker-Cluster palpiert werden (van

Sint Jan 2007a; van Sint Jan 2007b).

Die für die Regression erforderlichen

Knochenpunkte werden daraufhin als

absolute Koordinaten in einem aus den

Cluster-Markern gebildeten relativen

Koordinatensystem ausgedrückt. Eine

Erfassung des Marker-Clusters lässt

somit auf die Position der ALs schließen,

durch welche die darunterliegenden

Knochen rekonstruiert werden

können (Salvia et al. 2009).

3 Bewegungsanalyse und

–modellierung

3.1 Stand der Technik

Die Modellierung und die Prädiktion

menschlicher Bewegungen ist ein

Forschungsfeld von wachsender Bedeutung.

Unter anderem bildet es die

Grundlage für eine optimale Kontrolle

einer sicheren MRK, für die autonome

innerstädtische Navigation oder für

den Entwurf humanoider Roboter.

Das menschliche Bewegungsverhalten

wird von einer Vielzahl verschiedener

Faktoren beeinflusst, zu denen die

(zielorientierte) Bewegungsintention,

der Gemütszustand des Menschen

und der Bewegungskontext zählen.

Diese Abhängigkeiten verdeutlichen,

dass das Erlangen eines vollständigen

Verständnisses des menschlichen

Bewegungsverhaltens eine große Herausforderung

darstellt.

Ein realistisches Abbild sämtlicher

Faktoren würde zu einem zu komplexen

Modellierungsanspruch führen,

weswegen die Mehrheit der in

der Literatur vermerkten Ansätze

davon ausgeht, dass Menschen dazu

neigen, typische Bewegungsmuster

wahrscheinlichkeitsbehaftet auszuführen.

Sind die Bewegungsmuster

und Wahrscheinlichkeiten bekannt,

kann das Bewegungsverhalten des

Menschen vorhergesagt werden. Ein

mögliches mathematisches Modell,

das Wahrscheinlichkeiten abbilden

und unvollständige Daten (bspw. aufgrund

von sensorischem Rauschen) in

Modellen berücksichtigen kann, wird

„Hidden-Markov-Modell“ (HMM)

genannt (Rabiner & Juang 1986).

Bennewitz et al. (2005) klassifizierten

mit Hilfe des „Expectation-Maximization

(EM)“-Algorithmus Daten von

Bewegungsbahnen von Menschen, die

sie mit einem Laser-Scanner aufgenommen

hatten, und leiteten daraus ein

HMM ab, um auf Basis von Sensordaten

die gegenwärtigen und zukünftigen

Positionen von Menschen abzuschätzen.

Die Theorie dieser Arbeit basiert

auf der Beobachtung, dass Menschen

normalerweise keine willkürlichen

Bewegungen vollziehen, wenn sie sich

durch ihre Umwelt bewegen.

Hu et al. schlugen 2006 einen hierarchisch

angeordneten Algorithmus

vor, um Bewegungsmuster ausgehend

von einer visuellen Erfassung zu klassifizieren.

Bui et al. (2002) erweiterten HMMs

ebenso in hierarchischer Weise, so

dass die als abstrakte HMMs bezeichneten

Modelle entstanden. Oliver et al.

(2000) nutzten gekoppelte HMMs, um

Bewegungsmuster bzgl. des Verhaltens

zu modellieren. Im Unterschied zu

Offline-Lernentwürfen entwickelten

Vasquez et al. 2009 ein Online-Lernverfahren

mit dem Namen „Growing-

Hidden-Markov-Modellen“ (GHMM),

das sich neue Bewegungsmuster

schrittweise additiv selbst beibringt.

Neu erfasste Bewegungsmuster werden

in eine Datenbank integriert. Das

dazu veröffentlichte Paper enthält auch

einen Vergleich zwischen den GHMM

und den Verfahren von Bennewitz et al.

(2005) sowie Hu et al. (2006).

Neben der Diskretisierung der Trajektorien

kann zur mathematischen Modellierung

menschlicher Bewegungen

auch zunächst der Raum diskretisiert

werden, in dem dann die Bewegungen

durch Abläufe in einer topologischen

Karte dargestellt werden. Der Arbeitsraum

des Menschen wird dazu durch

ein Gitter in eine bestimmte Anzahl von

dreidimensionalen Zellen unterteilt,

die entweder als belegt oder als frei gekennzeichnet

sind. Für die zukünftigen

Zustände können den einzelnen Zellen

nun Wahrscheinlichkeiten zugewiesen

werden, mit denen sie belegt bzw. frei

sein werden. Thompson et al. (2009)

entwickelten ein solches Wahrscheinlichkeitsmodell

während Vasquez et

al. (2009) ein GHMM vorschlugen, in

dem eine topologische Karte mithilfe

eines „Instantaneous-Topological-

Map“-Algorithmus erzeugt wird,

wobei sowohl der Raum als auch die

Trajektorien diskretisiert sind.

Im Folgenden werden Verfahren zur

Modellierung von Mehr-Gelenk-

Bewegungen mit besonderem Hinblick

auf menschliche Armbewegungen

vorgestellt. Flash & Hogan (1985)

bestimmten die Trajektorie einer Hand

mit einem glockenförmigen Geschwindigkeitsprofil

und durch die Lösung

eines Optimierungsproblems, das als

Nebenbedingungen beinhaltet, dass die

Geschwindigkeit und Beschleunigung

zu Beginn und Ende der Bewegung

gleich Null sein muss und ansonsten

bestmögliche Übereinstimmung mit

den Messdaten vorliegt.

Zur genauen Bestimmung der Armbewegung

wurden unterschiedliche

Optimalitätskriterien betrachtet, wie

minimaler Ruck, minimale verrichtete

Arbeit, minimaler Momentenwechsel,

etc. (Beiss et al. 2006; Beiss et al.

2007). Chat et al. entwickelten 2005

einen Ansatz, der auf einem erweiterten

Kalman-Filter basiert, um die

Position der Arm-Gelenke anhand

einer glockenförmigen Geschwindigkeitsverteilung

vorherzusagen. Als

Alternative zur Kalman-Filter basierten

Bestimmung ist die doppelt exponentielle

Glättung von LaViola (2003)

zu nennen. Die genannten Methoden

können ebenso für das Modellieren

menschlicher Laufbewegungen verwendet

werden.

3.2 Erstellen von Bewegungsmodellen

anhand der Versuchsdaten

Wie bereits erwähnt liefert das Vicon-

System allein die Raumkoordinaten der

aufgebrachten Marker über der Zeit.

Daraus erzeugte Bewegungstrajektorien

einzelner Gelenkpunkte müssen

entsprechend normiert werden, um sie

für eine Datenauswertung zu nutzen.

Dazu müssen eine Reihe von Verarbeitungsschritten

durchgeführt werden

70 D. Bortot, H. Ding, F. Günzkofer, D. Stengel, K. Bengler, F. Schiller, O. Stursberg

(64) 2010/2 Z. ARB. WISS.

zfa2_2010.indb 70 17.05.2010 13:07:20


(Beth et al. 2003). Im Folgenden wird

der Analyseprozess der Daten anhand

des konkreten Beispiels (Umsetzen

eines Gegenstandes auf einem Tisch

von rechts nach links und wieder zurück)

erläutert.

Bei der Versuchsdurchführung sind die

Probanden angehalten, den Umsetzvorgang

des Gegenstandes mehrmals

auszuführen. Um intraindividuelle

Schwankungen festzustellen und einzelne

Zyklen verschiedener Versuchspersonen

miteinander vergleichen zu

können, werden die Daten in einem

ersten Schritt auf eine Zykluslänge

normiert; diese ist definiert als die Zeit

von der Startposition (rechts), über das

Erreichen der Zwischenzielposition

auf der linken Seite bis hin zurück zur

Startposition auf der rechten Seite. Dabei

haben die zyklischen Bewegungsbahnen

der Marker/Gelenkpunkte der

unterschiedlichen Versuchsteilnehmer

i. d. R. nicht die gleiche Menge an Datenpunkten.

Dies lässt sich z. B. über

eine kubische Spline-Interpolation

ausgleichen (Beth et al. 2003).

Das Modell des getrackten Arms besteht

aus zwei Segmenten: Oberarm

(Ellbogen bis Schulter) sowie Unterarm

(Ellbogen bis Handgelenk), die

interindividuell unterschiedlich lang

sind. Demzufolge ist auch hier eine

Normierung zur besseren Vergleichbarkeit

der Daten sinnvoll.

In einem letzten Schritt der Datenvorverarbeitung

müssen die Phasen der

einzelnen Datensätze zeitlich ausgerichtet

werden. Anschließend können

die Daten miteinander verglichen und

nach Mustern und Regelmäßigkeiten in

den Bewegungen gesucht werden.

Ein möglicher Ansatz lautet, die

Bewegungen der einzelnen Körperteile

separat zu betrachten und nach

definierten Bewegungsphasen und

–zuständen zu gliedern. Dies würde

die mathematische Implementierung in

Markov-Modelle vereinfachen.

Arlt stellte 2005 fest, dass für zielgerichtete

Bewegungen führende

Körperteile existieren, welche die

Bewegung maßgeblich bestimmen.

Diese müssen möglichst unter allen

Umständen ihre Aufgabe erfüllen,

sonst können die Anforderungen an

die zielgerichtete Bewegung als nicht

erfüllt bezeichnet werden (Arlt 2005).

Im Falle der untersuchten Greifbewegung

eines Autofahrers zu einem

Stellteil am Armaturenbrett gilt die

Hand als führendes Körperteil. Dies

kann als Grundlage für die Prädiktion

der Richtung des führenden Körperteils

herangezogen werden.

Eine weitere Überlegung des Forscherteams

ist die Untersuchung der

jeweiligen Geschwindigkeiten und

Beschleunigungen der Körperteile.

Möglicherweise stellen sich im Laufe

der Bewegung nach bestimmten

Schemata Geschwindigkeits- und

Beschleunigungsverläufe der Körperteile

ein. Ausgehend von immer gleich

auftretenden Verläufen kann so anhand

der ersten beobachteten Sequenzen auf

den weiteren Verlauf der Bewegung

geschlossen werden. Diese Informationen

können wiederum zur Prädiktion

von Bewegungen genutzt werden.

Die Bewegungsanalyse kann mit

unterschiedlichen Granularitäten

durchgeführt werden. Vereinfachte

Menschmodelle, wie sie im folgenden

Kapitel vorgestellt werden, benötigen

weniger detaillierte Daten als komplexe

Abbilder des Menschen.

3.3 Vereinfachung eines komplexen

digitalen Menschmodells

Zur digitalen Darstellung des Menschen

steht eine Vielzahl an Menschmodellen

zur Verfügung. Das digitale Abbild

benötigt der Optimierungsalgorithmus

zur Erfassung und Darstellung des

Menschen im Raum (Körperhaltung/

Gelenkwinkel) und zur Berechnung

des Abstandes von Mensch und Roboter.

Die verschiedenen Menschmodelle

(z. B. ALASKA/DYNAMICUS der

TU Chemnitz (Härtel und Hermsdorf

2006), ANYBODY (Rasmussen et al.

2002), oder RAMSIS) wurden allesamt

für eine mehr oder weniger spezifische

Aufgabenstellung konzipiert (bspw.

wurde das RAMSIS-Menschmodell

zur Untersuchung der Sitzhaltung und

des Sitzkomforts in PKWs entwickelt).

Bedingt durch unterschiedliche Anwendungsschwerpunkte

verfügen sie

daher auch über jeweils andersartige

Strukturen und Aufbauten.

Das RAMSIS-Menschmodell besteht

aus einem inneren und einem äußerem

Modell. Das innere Modell stellt das

Skelett des Menschen mit insgesamt

65 Freiheitsgraden dar, während das

äußere Modell dem Erscheinungsbild

des Menschen entspricht. Diese Genauigkeit

beim Abbild des menschlichen

Körpers kann im Augenblick

aufgrund mehrerer Faktoren (bspw. die

begrenzte Leistungsfähigkeit der EDV)

bei einer bildbasierten 3D-Objekterkennung

nicht umgesetzt werden. Im

Forschungsprojekt MeMoMan diente

das RAMSIS-Menschmodell jedoch

als Basis, um es mit einigen Änderungen

zu einem passenden Modell

zur Bewegungserfassung zu machen.

Untersuchungen zur physiologischen

Kopplung von Freiheitsgraden im Bereich

der Wirbelsäule sorgten für eine

Reduktion der Modellkomplexität und

der damit verbundenen erforderlichen

Rechenleistung der zugrundeliegenden

EDV (Engstler 2009). Trotz dieser und

noch weiterer Vereinfachungen, die in

MeMoMan umgesetzt wurden, konnte

keine Echtzeit-Erfassung und –verfolgung

des Menschen realisiert werden.

Um dies in EsIMiP erreichen zu

können, muss das Menschmodell

weiter vereinfacht werden. Dazu

können weitere Annahmen dienen,

die auf Grundlage anatomischer Gesetzmäßigkeiten

aufgestellt werden

können: Die Festlegung maximal

möglicher Bewegungsradien der Extremitäten

beispielsweise beschränkt

den maximal erreichbaren Raum und

vereinfacht dadurch die Prädiktion

des nächsten Zustands. Oder aber die

Berücksichtigung ermittelter Maximalwerte

für Gehgeschwindigkeiten

bzw. Geschwindigkeiten einzelner

Körperteile schließt Aufenthaltsräume

des Menschen bzw. seiner Körperteile

für den nächsten zu modellierenden

Zustand aus.

4 Anwendung von Bewegungsmodellen

in der MRK

Abhängig vom Anwendungsszenario

müssen unterschiedliche Bewegungsmodelle

generiert werden. Das

Forschungsprojekt EsIMiP wird in

(64) 2010/2 Z. ARB. WISS. Effizienzsteigerung durch die Bewegungsanalyse und -modellierung der Mensch-Roboter-Kooperationen

71

zfa2_2010.indb 71 17.05.2010 13:07:20


Summe drei verschiedene Fallbeispiele

untersuchen.

4.1 Anwendungsszenarien

Das Szenario einer MRK an einem

Tischarbeitsplatz soll durch eine lokale

Betrachtung des menschlichen

Arms, der als eingelenkiger Knickarm

(Knickpunkt im Ellbogengelenk)

mithilfe zweier primitiver Hüllkörper

(Zylinder) um die Verbindungslinien

zwischen Ellbogen und Schulter sowie

Ellbogen und Handgelenk dargestellt

wird, untersucht werden. Mensch und

Roboter sollen in diesem Fall synchronisiert

arbeiten, d. h. es herrscht

ein aufeinander abgestimmtes, zeitlich

versetztes Arbeiten an unterschiedlichen

Orten vor (Thiemermann 2005).

Eine globale Betrachtung des Produktionsumfeldes

soll mit einer sehr

einfachen Darstellung des Menschen

als Säule im Raum Aufschluss über das

Bewegungsverhalten auf einer weniger

detaillierten Ebene geben. Auch bei

diesem Anwendungsszenario handelt

es sich um synchronisiertes Arbeiten.

Bild 4:

Figure 4:

Illustration 4:

Versuche zur Untersuchung der Bewegung an einem Tischarbeitsplatz

Experiments to study the movements on a work table

Expériences pour étudier les mouvements à une table de travail

Der dritte Anwendungsfall soll die

beiden ersten Szenarien zusammenführen

und das Bewegungsverhalten

des Menschen in einem kooperativen

System mit simultanen Arbeitsabläufen

der beiden Partner erkunden. Mensch

und Roboter bewegen sich zur gleichen

Zeit im selben Arbeitsraum und

können auch physisch miteinander

interagieren (Klassifikation nach Thiemermann

2005). Dabei sollen sowohl

lokale Bewegungsmodelle der Arme

in unmittelbarer Nähe des Menschen

zum Roboter, als auch globale Bewegungsmodelle

des Menschen „aus

der Vogelperspektive“ zum Einsatz

gebracht werden, um den Algorithmus

der Robotersteuerung mit einer Vielzahl

an Informationen zu versorgen

und so die Performanz so hoch wie

möglich zu halten.

4.2 Versuche

Die im vorherigen Abschnitt beschriebenen

Bewegungsmodelle werden

mithilfe von mehreren Versuchen

ermittelt.

Für die Untersuchung der Armbewegungen

an einem Tischarbeitsplatz

führen an einem Tisch sitzende

Probanden in einer Laborumgebung

typische Armbewegungen durch, indem

sie einen Gegenstand von einem

Punkt zu einem anderen transportieren

(Bild 4).

Insgesamt sind von den Probanden

fünf Versuchsreihen durchzuführen,

die unter unterschiedlichen Rahmenbedingungen

immer wieder die gleichen

Bewegungsaufgaben beinhalten: den

Transport eines Gegenstandes von der

rechten zur linken Seite des Tisches,

von der vorderen zur hinteren Kante

des Tisches sowie zusätzlich diagonal

von einer Tischecke in die andere.

Vorerst läuft der Versuch ohne Störung

der Bewegung ab. In der zweiten

Versuchsreihe sind vom Probandenkollektiv

die gleichen Bewegungen

durchzuführen, wobei ein Hindernis,

das an unterschiedlichen Stellen auf

der Strecke zwischen Start- und Zielort

positioniert ist, überwunden werden

muss. Die dritte Versuchsreihe ist gekennzeichnet

durch die Anwesenheit

eines Tischroboters, während die Probanden

die Bewegungen durchführen.

Anschließend bewegt sich dieser Roboter

innerhalb der vierten Versuchsreihe

und legt somit offen, welche

Wirkungen ein dynamisches Roboterverhalten

auf den Menschen und

dessen Bewegungsverhalten hat. Um

dem späteren Anwendungsszenario

möglichst nahe zu kommen, programmiert

das Forscherteam in der letzten

Versuchsreihe „pseudo-kollisionsfreie“

Trajektorien in die Robotersteuerung

und analysiert dabei die Bewegungen

des Menschen.

Zur Analyse und Bestimmung der

globalen Bewegungsmodelle dient

ein anderer, großflächigerer Versuchsaufbau.

In der Versuchshalle

des Lehrstuhls für Ergonomie unter

anderem das in Bild 5 dargestellte

Versuchsdesign realisiert.

Der Mitarbeiter kann sich innerhalb

des Montagearbeitsplatzes frei bewegen.

Hellgrau hinterlegt ist der

Bewegungsradius des Roboters, der

zugleich den Raum markiert, in dem

mögliche Kollisionen stattfinden

könnten. Während der Mensch an

72 D. Bortot, H. Ding, F. Günzkofer, D. Stengel, K. Bengler, F. Schiller, O. Stursberg

(64) 2010/2 Z. ARB. WISS.

zfa2_2010.indb 72 17.05.2010 13:07:21


Bild 5:

Figure 5:

Illustration 5:

Versuchsaufbau zur globalen Bewegungsmodellierung (M=Mensch, R=Roboter)

Experimental setup for global motion modeling (M = human, R = robot)

Essai de construction d’une modélisation d’un mouvement global (M= homme, R= robot)

dem eine Stellgröße für den Roboter

zu bestimmen ist, wird für den sogenannten

Prädiktionshorizont das

wahrscheinlichste Verhalten des Menschen

berechnet und die bestmögliche

Antwort des Roboters als Lösung des

Optimierungsproblems ermittelt. Der

Mensch lässt sich dabei als „Hindernis“

auffassen, der zu jedem Zeitpunkt

einen bestimmten Raumanteil belegt,

in den sich der Roboter nicht bewegen

darf. Benutzt man Ø x,k

= (x k

, x k+1

, …,

x k+Hp

) zur Kennzeichnung der Sequenz

von Zuständen x j

des Roboters über

den Prädiktionshorizont H p

, Ø u,k

für

die Steuertrajektorie des Roboters,

Ø F,k

für die Sequenz von Raumanteilen

F j

, die durch den Menschen belegt

sind, und J als Optimierungskriterium

(z. B. die Distanz zum Ziel G k

), so

lässt sich das Optimierungsproblem

formulieren als:

einer der beiden Werkbänke tätig ist,

steht dem Roboter der Arbeitsplatz an

der anderen Werkbank zur Verfügung.

Der Mensch bewegt sich zwischen den

beiden Werkbänken und der Materialbereitstellung,

während der Roboter in

diesem Szenario nur von der einen zur

anderen Werkbank wechselt.

Für die Analyse des menschlichen

Bewegungsverhaltens wird den Probanden

eine Aufgabe erteilt, die sie

mehrmals ausführen müssen. In der

Folge werden mit den im vorherigen

Kapitel beschriebenen Methoden Regelmäßigkeiten

erkannt und in Modelle

umgewandelt.

Die Teilnehmer des Projektes EsIMiP

bemühen sich um die Verifikation folgender

Hypothesen:

• Für einzelne Körperteile können

bestimmte Regelmäßigkeiten in den

Verläufen der Ortskoordinaten und

der zugehörigen Geschwindigkeiten

sowie Beschleunigungen bestimmt

werden.

• Clustertechniken können zum Erkennen

von Bewegungsmuster des

Menschen dienen.

Die Forscher erhoffen sich außerdem,

durch die Analyse der aufgezeichneten

Daten auf den möglichen Prädiktionshorizont

schließen zu können.

4.3 Mathematische Integration der

Modelle in den Optimierungsalgorithmus

Um die gewonnenen Erkenntnisse über

das menschliche Bewegungsverhalten

in der Anwendung einer MRK einsetzen

zu können, muss es in mathematischer

Form repräsentiert werden. Das

Ziel, die Robotersteuerung optimal und

sicher an das Verhalten des Menschen

anzupassen, wird in ein mathematisches

Optimierungsproblem umgesetzt.

In der Problemformulierung ist

das Modell zur Bewegungsprädiktion

für den Menschen als Randbedingung

enthalten. Für jeden Zeitschritt, in

Die Lösung der Optimierung führt auf

eine (sub-)optimale Steuertrajektorie

Ø u,k

= (u k

, u k+1

, …, u k+Hp-1

), in der jeder

Eintrag u k

mögliche Stellgrößenbeschränkungen

(charakterisiert durch

Grenzwerte u k,min

und u k,max

) erfüllt und

der Berechnung von Ø u,k

= (x k

, x k+1

, …,

x k+Hp

) die Roboterdynamik zu Grunde

liegt. Dieser Ansatz wird in (Kain et

al. 2007; Ding et al. 2007) genauer beschrieben.

Außerdem wurden in (Ding

et al. 2009a; 2009b; 2009c) Ansätze zur

Optimierung von MRKs mit Hilfe von

Prädiktionen entwickelt.

Wie bereits in 3.1 erläutert, sind HMM

ein gängiges Mittel, um menschliche

Bewegungen mit den ihnen innewohnenden

Unsicherheiten zu modellieren

und vorherzusagen. Wie die durch die

HMM kodierte Information über das

unsicherheitsbehaftete menschliche

Bewegungsverhalten bestmöglich

in die Sequenz Ø F,k

= (F k

, F k+1

, …,

F k+Hp

) übertragen werden kann, ist ein

Gegenstand der momentanen Untersuchungen.

5 Weitere Entwicklungen

Bewegungsmodelle können schon jetzt

wie beschrieben mit unterschiedlichen

(64) 2010/2 Z. ARB. WISS. Effizienzsteigerung durch die Bewegungsanalyse und -modellierung der Mensch-Roboter-Kooperationen

73

zfa2_2010.indb 73 17.05.2010 13:07:21


Detaillierungsgraden generiert werden.

Je genauer das menschliche Abbild

dabei ist, desto näher ist man an der

Realität. Abhängig vom Anwendungsszenario

sind unterschiedliche Anforderungen

an das Modell zu stellen. Im

betrachteten Fall des Projekts EsIMiP

lautet eine grundlegende Anforderung,

dass die Person in Echtzeit erfasst und

ausreichend schnell Modelle bzgl. ihres

zukünftigen Bewegungsverhaltens berechnet

werden müssen. Dies kann im

Augenblick nicht für detaillierte Menschmodelle

mit einem realistischen

Abbild des menschlichen Körpers

(d. h. eine Modellierung des Skeletts

inkl. der Gelenke sowie der entsprechenden

Freiheitsgrade) realisiert werden.

Demzufolge müssen die Abbilder

der Menschen vereinfacht werden.

Die Forschung wird sich in den nächsten

Jahren damit beschäftigen, wie das

für die Darstellung der über die Sensorik

erfassten Menschdynamik notwendige

Modell besser und schneller der

Realität angepasst werden kann und

wie geeignete Steuertrajektorien für

den Roboter echtzeitfähig berechnet

werden können.

Literatur

Arlt, F.: Untersuchung zielgerichteter

Bewegungen zur Simulation mit einem

CAD-Menschmodell. Techn. Univ., Diss.-

-München, 1999. München: Utz (Ergonomie).

1999

Ausejo, S.; Wang, X.: Motion Capture and

Human Motion Reconstruction. In: Duffy,

Vincent G. (Hg.): Handbook of digital

human modeling. Research for applied

ergonomics and human factors engineering.

Boca Raton, Fla.: CRC Press (Human factors

and ergonomics) 2009

Ausejo, S.; Suescun, A.; Celigüeta, J.;

Wang, X.: Robust Human Motion Reconstruction

in the Presence of Missing Markers

and the Absence of Markers for Some Body

Segments. In: Proceedings of the SAE

DHMC (Digital Human Modeling Conference),

H. 2006, S. SAE 2006-01-2321

Bennewitz, M.; Burgard, W.; Cielniak,

G.; Thrun, S.: Learning motion patterns

of people for compliant robot motion. The

Internationl Journal of Robotics Research,

24(1): 31–48 2005

Beth, T.; Boesnach, I.; Haimerl, M.; Moldenhauer,

J.; Bös, K.; Wank V.: Analyse,

Modellierung und Erkennung menschlicher

Bewegungen E.I.S.S.–Report 01/03,

Karlsruhe 2003

Biess, A.; Nagurka, M.; Flash, T.: Simulating

discrete and rhythmic multi-joint

human arm movements by optimization

of nonlinear performance indices. Biol

Cybern, 95(1): 31–53 2006

Biess, A.; Liebermann, D.G.; Flash, T.:

A Computational Model for Redundant

Human Three-Dimensional Pointing Movements:

Integration of Independent Spatial

and Temporal Motor Plans Simplifies Movement

Dynamics. The Journal of Neuroscience,

27(48): 13045–13064 2006

Bodenheimer, B.; Rose, C.; Rosenthal, S.;

Pella, J.: The process of motion capture:

Dealing with the data. In: Thalmann, D.;

van de Panne, M. (Eds.), Computer animation

and simulation '97. 1997

Bui, H.; Venkatesh, S.; West, G.: Policy

recognition in the abstract hidden Markov

models. Journal of ArtificialIntelligence

Research, 17: 451–499 2002

Chan, A.; Lau, R.W.H.: Motion prediction

for caching and prefetching in mousedriven

DVE navigation. ACM Transaction

Internet Technology, 5(1):70–91 2005

Ding, H.; Zhou, M.; Stursberg, O.: Optimal

Path Planning in the Workspace for Articulated

Robots using Mixed Integer Programming,

IEEE/RSJ International Conference

on Intelligent Robots and Systems (IROS),

pp. 5770-5775 2009

Ding, H., S. Kain, F. Schiller, and O.

Stursberg (2009). Cognitive Safety Control

for Human-Machine Interaction. Proc. of

European Control Conference, pp. 5021-

5026, ISBN 978-963-311-369-1

Ding, H.; Kain, S.; Schiller, F.; Stursberg,

O.: Increasing reliability of intelligent

manufacturing systems by adaptive optimization

and safety supervision. 7th IFAC

Symposium on Fault Detection, Supervision

and Safety of Technical Processes, pp.

1533-1538 2009

Ding, H.; Rungger, M.; Stursberg, O.:

Intelligent planning of manufacturing systems

with hybrid dynamics. IFAC Conf.

on Manufacturing Modeling, Management,

and Control, pp. 181-186 2007

Doriot, N.; Cheze, L.: A Three-Dimensional

Kinematic and Dynamic Study of

the Lower Limb during the Stance Phase

of Gait Using an Homogeneous Matrix

Approach. In: IEEE Transactions on Biomedical

Engineering, Jg. 2004, H. 51 (1),

S. 21–27 2004

Engstler, F.; Sabbah, O.; Cengiz, T.; Bubb,

H.: Statistical Approach to a Model-based

Anthropometry Description. In: SAE (Hg.):

Digital Human Modeling for Design and

Engineering Conference and Exhibition,

June 2009, Gothenburg, SWEDE 2009

Engstler, F.; Bandouch, J.; Bubb, H.:

MeMoMan - model based markerless capturing

of human motion. In: International

Ergonomics Association (IEA) (Hg.): 17th

World Congress on Ergonomics IEA 2009,

Beijing, China 2009

Farella, E.; Benini, L.; Riccò, B.; Acquaviva,

A.: “MOCA: A Low-Power, Low-

Cost Motion Capture System Based on

Integrated Accelerometers,” Advances in

Multimedia, vol. 2007, Article ID 82638,

11 pages, 2007. doi:10.1155/2007/82638

Flash, T.; Hogan H.: The Coordination of

Arm Movements: An Experimentally Confirmed

Mathematical Model. In Journal of

Neuroscience, 5(7): 1688–1703 1985

Geuss, H.; Krist, R.; Seidl, A.: RAMSIS -

ein System zur Erhebung und Vermessung

dreidimensionaler Körperhaltungen von

Menschen zur ergonomischen Auslegung

von Bedien- und Sitzplätzen im Auto. In:

FAT (Forschungsvereinigung Automobiltechnik)

FAT-Schriftenreihe, H. 123

1995

Godin, C.; Chiang, J.: The Use of Digital

Human Models for Advanced Industrial

Applications. In: Duffy, Vincent G. (Hg.):

Handbook of digital human modeling.

Research for applied ergonomics and

human factors engineering. Boca Raton,

Fla.: CRC Press (Human factors and ergonomics)

2009

Härtel, T.; Hermsdorf, H.: Biomechanical

modelling and simulation of human body

by means of dynamicus. Journal of Biomechanics

39: 549 2006

Hu, W.; Xiao, X.; Fu, Z.; Xie, D.; Tan, T.;

Maybank, S.: A system for learning statistical

motion patterns. IEEE Transactions on

Pattern Analysis and Machine Intelligence,

28(9): 1450–1464 2006

74 D. Bortot, H. Ding, F. Günzkofer, D. Stengel, K. Bengler, F. Schiller, O. Stursberg

(64) 2010/2 Z. ARB. WISS.

zfa2_2010.indb 74 17.05.2010 13:07:22


Kain, S.; Ding, H.; Schiller, F.; Stursberg,

O.: Controller architecture for safe cognitive

technical systems. 26th Int. Conf. on

Computer Safety, Reliability and Security,

Saglietti,F., Oster, N. (Eds.): SAFECOMP,

LNCS 4680, Springer, pp. 518-531

2007

Kummer, B.: Biomechanik. Form und

Funktion des Bewegungsapparates ; mit 3

Tabellen. Köln: Dt. Ärzte-Verl. 2005

Laviola, J.: Double exponential smoothing:

an alternative to Kalman filter-based predictive

tracking. Proc. of the Immersive

Projection Technology and Virtual Environments,

ACM Press, pp. 199-206

Legnani, G.; Casalo, F.; Righettini, P.; Zappa,

B.: A homogeneous matrix approach to

3D kinematics and dynamics--II. Applications

to chains of rigid bodies and serial

manipulators. In: Mechanism and Machine

Theory, Jg. Volume 31, H. Number 5, S.

589-605(17) 1996

Oliver, N. M.; Rosario, B.; Pentland, A.

P.: A Bayesian computer vision system for

modeling human interactions. IEEE Transactions

on Pattern Analysis and Machine

Intelligence, 22(8): 831–843 2000

Prassler, E. et al. (Eds.): Advances in

Human-Robot Interaction, STAR 14, pp.

207-219, 2004. © Springer-Verlag Berlin

Heidelberg 2005

Rabiner, L.R.; Juang B.H.: An introduction

to hidden markov models. IEEE ASSP

Magazine, 3(1): 4-16 1986

Rasmussen, J.; Vondrak, V.; Damsgaard,

M.; Zee, M.; Christensen, S.T.: The anyboda

project – computer analysis oft he

human body. In International Congress of

Biomechanics – Biomechanics of Man,

Cejkovice, Czech Republic 2002

Salvia, P.; Jan, S. Van Sint; Crouan, A.;

Vanderkerken, L.; Moiseev, F.; Sholukha,

V. et al.: Precision of shoulder anatomical

landmark calibration by two approaches: A

CAST-like protocol and a new anatomical

palpator method. In: Gait & Posture, Jg. 29,

H. 4, S. 587–591 2009

Thiemermann, S.: Direkte Mensch-Roboter-Kooperation

in der Kleinteilemontage

mit einem SCARA-Roboter. Univ., Diss-

-Stuttgart, 2005. Heimsheim: Jost-Jetter

(IPA-IAO-Forschung und -Praxis, Nr. 411)

2005

Thompson, S.; Horiuchi, T.; Kagami, S.:

A probabilistic model of human motion

and navigation intent for mobile robot

path planning. Proc. of the 4th Int. Conf.

on Autonomous Robots and Agents, 663-

668 2009

van Sint Jan, S.; Salvia, P.; Sholukha,

V.; Snoeck, O.; Aranov, V.; Moiseev, F.;

Rooze, M.: DEVELOPMENT OF AN

ANATOMICAL WAND FOR ANATO-

MICAL LANDMARK DIGITIZING:

PRELIMINARY RESULTS. Program and

Abstracts of the XXI Congress, International

Society of Biomechanics. In: Journal

of Biomechanics, Jg. 40, H. Supplement 2,

S. S408-S408 2007a

van Sint Jan, S.; Allard, P.: Color atlas of

skeletal landmark definitions. Guidelines

for reproducible manual and virtual palpations.

Edinburgh: Churchill Livingstone/

Elsevier 2007b

Vasquez, D.; Fraichard, T.; Laugier, C.:

Growing hidden Markov models: An incremental

tool for learning and predicting

human and vehicle motion. The International

Journal of Robotics Research, 28:

1486-1506 2009

Winter, D. A.: Biomechanics and motor

control of human movement. 3. ed. Hoboken,

NJ: Wiley 2005

Wu, G.; Cavanagh, P. R.: ISB recommendations

for standardization in the reporting

of kinematic data. In: Journal of Biomechanics,

Jg. 28, H. 10, S. 1257–1261 1995

Wu, G.; Siegler, S.; Allard, P.; Kirtley, C.;

Leardini, A.; Rosenbaum, D. et al.: ISB

recommendation on definitions of joint

coordinate system of various joints for the

reporting of human joint motion--part I:

ankle, hip, and spine. In: Journal of Biomechanics,

Jg. 35, H. 4, S. 543–548 2002

Wu, G.; van der Helm, F. C. T.; Veeger, H.

E. J.; Makhsous, M.; van Roy, P.; Anglin, C.

et al.: ISB recommendation on definitions

of joint coordinate systems of various joints

for the reporting of human joint motion--

Part II: shoulder, elbow, wrist and hand. In:

Journal of Biomechanics, Jg. 38, H. 5, S.

981–992 2005

Die Autoren danken den Partnern im

Projekt EsIMiP, gefördert von der

Bayerischen Forschungsstiftung (AZ-

852-08), für die Unterstützung: Baumüller

Anlagen-Systemtechnik, Reis

Robotics, Institut für Arbeitsschutz

(IFA), Lehrstuhl für Regelungs- und

Systemtheorie der Universität Kassel

(rst) und der Lehrstuhl für Informationstechnik

im Maschinenwesen der

TU München (itm).

Anschrift der Verfasser

Dipl.-Ing. Dino Bortot

Dipl.-Ing. Fabian Günzkofer

Prof. Dr. phil. Klaus Bengler

Technische Universität München

Lehrstuhl für Ergonomie

Boltzmannstraße 15

D-85747 Garching bei München

M.Sc. Dominik Stengel

Prof. Dr.-Ing. Frank Schiller

Technische Universität München

Lehrstuhl für Informationstechnik im Maschinenwesen

Boltzmannstraße 15

D-85747 Garching bei München

M.Sc. Hao Ding

Prof. Dr.-Ing. Olaf Stursberg

Universität Kassel

Fachgebiet Regelungs- und Systemtheorie (FB 16)

Wilhelmshöher Allee 73

D-34121 Kassel

E-Mail: bortot@lfe.mw.tum.de

(64) 2010/2 Z. ARB. WISS. Effizienzsteigerung durch die Bewegungsanalyse und -modellierung der Mensch-Roboter-Kooperationen

75

zfa2_2010.indb 75 17.05.2010 13:07:22

Weitere Magazine dieses Users
Ähnliche Magazine