في عالم التعاون الجسدي بين الإنسان والروبوتات (pHRC)، أصبح التعاون المباشر بين البشر والآلات أمرًا محوريًا في البيئات المشتركة. حيث يتعين على الروبوتات تحليل تفاعلاتها مع الأشياء لضمان سلامة العاملين ولتسهيل سير العمل بشكل فعال.

واحدة من الجوانب الحاسمة في هذا النظام هي الكشف عن الإنسان/الأشياء، وهو عبارة عن تحديد الجسم المتصل. قدّمت الأبحاث السابقة تصنيفات تعلم آلي ثنائية للتفريق بين الأشياء الناعمة والصلبة، ولكن الدراسة الحالية تُحسن هذه النتائج من خلال تقييم نماذج الكشف المتعدد عن الإنسان/الأشياء.

تضمنت الدراسة جمع مجموعة بيانات باستخدام الروبوت Franka Emika Panda، مع استكشاف استراتيجيات المعالجة المسبقة لتحليل البيانات الزمنية. تم تدريب نماذج مختلفة مثل LSTM (النموذج طويل الأمد والقصير الأمد)، GRU (وحدة الذاكرة المعادلة)، وTransformers على هذه البيانات.

أظهرت النتائج أن النموذج الأكثر أداءً حقق دقة مذهلة بلغت 91.11% أثناء الاختبارات الحية، مما يثبت جدوى نماذج الكشف المتعدد. علاوة على ذلك، تشير مقارنة استراتيجيات المعالجة المسبقة إلى أن نهج النافذة المنزلقة يعد الأنسب لهذه المهمة.

باختصار، يعزز هذا البحث من إمكانيات التعاون بين الروبوتات والبشر في المجالات العملية، مما يمكن أن يحدث ثورة في كيفية تفاعل الآلات مع البيئة المحيطة بها.