Abstract
-
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.