- Titel
- Dynamische Sicherheitszonen mit LSTM und Deep Reinforcement Learning für kollaborative Roboter
- Untertitel
- Eine simulationsbasierte Untersuchung
- Zitierfähige Url:
- https://nbn-resolving.org/urn:nbn:de:bsz:ch1-qucosa2-973171
- Übersetzter Titel (EN)
- Dynamic Safety Zones with LSTM and Deep Reinforcement Learning for Collaborative Robots : A Simulation-Based Study
- Konferenz
- 14. SAXSIM - SAXON SIMULATION MEETING. Chemnitz, 25.03.2025
- Quellenangabe
- 14. SAXON SIMULATION MEETING : Präsentationen und Vorträge des 14. Anwendertreffens am 25. März 2025 an der Technischen Universität Chemnitz
- DOI
- https://doi.org/10.51382/978-3-96100-248-1_v04
- Abstract (DE)
- Die Sicherheit in der Mensch-Roboter-Interaktion erfordert anpassungsfähige Sicherheitsstrategien, um dynamischen Arbeitsumgebungen gerecht zu werden. In dieser Arbeit wird ein Framework vorgestellt, das Deep Reinforcement Learning (DRL) und Long Short-Term Memory (LSTM)-basierte Bewegungsvorhersagen integriert, um Sicherheitszonen in Echtzeit dynamisch anzupassen. Ein 2D-Laserscanner wird verwendet, um die Positionen von Menschen im Arbeitsraum des Roboters zu erkennen, und ihr Bewegungsmuster durch ein LSTM-Modell vorherzusagen. Die Simulation bildet die Grundlage für die Validierung des Systems, das aus drei DRL-Modellen besteht: Anpassung der Sicherheitszonengrenzen, Aktivierung von Hilfspunkten und deren Platzierung. Diese Modelle interagieren, um die Sicherheitszonen entsprechend den vorhergesagten Bewegungen des Eindringlings anzupassen und gleichzeitig den Arbeitsbereich des Roboters abzusichern. Durch die Simulation konnte gezeigt werden, dass die dynamische Anpassung der Sicherheitszonen sowohl die Sicherheit als auch die Effizienz der Arbeitsumgebung verbessert, indem unnötige Einschränkungen des Arbeitsbereichs vermieden werden. Die Positionen von Roboter, Zielobjekten und Eindringlingen variieren in der Simulation zufällig, wodurch eine gute Generalisierung des Systems gewährleistet wird.
- Abstract (EN)
- Ensuring safety in human-robot interaction requires adaptive safety strategies to accommodate dynamic work environments. This paper presents a framework that integrates Deep Reinforcement Learning (DRL) and Long Short-Term Memory (LSTM)-based motion prediction to dynamically adjust safety zones in real time. A 2D laser scanner is used to detect human positions within the robot's workspace and predict their movement patterns using an LSTM model. The simulation serves as the foundation for validating the system, which consists of three DRL models: adjusting the safety zone boundaries, activating auxiliary points, and optimizing their placement. These models interact to adapt the safety zones according to the predicted movements of the intruder while ensuring the security of the robot's workspace. Simulation results demonstrate that dynamically adjusting the safety zones improves both safety and efficiency by avoiding unnecessary workspace restrictions. The positions of the robot, target object, and intruder vary randomly within the simulation, ensuring good generalization of the system.
- Freie Schlagwörter (DE)
- Simulationsbasierte Sicherheitszonen, Reinforcement Learning, Long short-term memory, Laser scanner, Mensch-Roboter-Interaktion
- Freie Schlagwörter (EN)
- Simulation-based safety zones, Reinforcement Learning, Long Short-Term Memory, Laser scanner, Human-robot interaction
- Klassifikation (DDC)
- 621
- 004
- 006
- Normschlagwörter (GND)
- Maschinelles Lernen, Robotik, Digitale Fabrik, Smart Factory
- Herausgeber (Institution)
- Technische Universität Chemnitz, Chemnitz
- Verlag
- Universitätsverlag Chemnitz, Chemnitz
- Version / Begutachtungsstatus
- angenommene Version / Postprint / Autorenversion
- URN Qucosa
- urn:nbn:de:bsz:ch1-qucosa2-973171
- Veröffentlichungsdatum Qucosa
- 06.06.2025
- Dokumenttyp
- Konferenzbeitrag
- Sprache des Dokumentes
- Deutsch
- Lizenz / Rechtehinweis
CC BY-SA 4.0