Analysis of Deep-Learning Methods in an ISO/TS 15066-Compliant Human-Robot Safety Framework

📄 arXiv: 2511.19094v1 📥 PDF

作者: David Bricher, Andreas Mueller

分类: cs.RO

发布日期: 2025-11-24

备注: MDPI Sensors, published 22 November 2025

DOI: 10.3390/s25237136

💡 一句话要点

提出基于深度学习的人机安全框架，动态调整机器人速度以优化协作效率。

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 人机协作 深度学习 机器人安全 人体识别 动态速度调整

📋 核心要点

  1. 现有协作机器人安全方案速度限制保守，影响协作效率，这是当前人机协作领域的核心问题。
  2. 论文提出基于深度学习的人机安全框架，通过识别人体部位，动态调整机器人速度，优化协作过程。
  3. 实验结果表明，该框架相比传统安全技术，能够显著减少周期时间，最高可达15%的提升。

📝 摘要（中文）

近年来，协作机器人在人与机器人近距离协同工作的制造应用中取得了显著进展。然而，目前符合ISO/TS-15066标准的实施方案通常由于保守的速度限制而降低了协作任务的效率。为此，本文提出了一种基于深度学习的人机安全框架(HRSF)，旨在根据人与机器人之间的分离距离动态调整机器人速度，同时遵守最大的生物力学力和压力限制。该框架的适用性针对四种不同的人体提取深度学习方法进行了研究：人体识别、人体分割、人体姿态估计和人体部位分割。与传统的工业安全系统不同，所提出的HRSF区分了人体各个部位与其他物体，从而优化了机器人流程的执行。实验表明，与传统安全技术相比，周期时间最多可减少15%。

🔬 方法详解

问题定义：现有的人机协作安全系统通常采用保守的速度限制，以确保人员安全，但这显著降低了协作效率。传统的安全系统无法区分人体不同部位以及其他物体，导致机器人必须保持较低的速度，即使人员距离机器人较远或仅有非关键部位靠近时。因此，需要一种能够更精细地理解人类行为和姿态的安全系统，从而在保证安全的前提下，提高机器人运行速度。

核心思路：论文的核心思路是利用深度学习技术，对人体进行精确的识别和分割，从而使机器人能够理解人员的姿态和位置。通过识别人体不同部位，并结合生物力学力/压力限制，系统可以动态调整机器人速度，在保证安全的前提下，最大限度地提高机器人运行效率。这种方法允许机器人根据实际情况做出更智能的反应，避免了不必要的速度限制。

技术框架：所提出的HRSF包含以下主要模块：1) 感知模块：利用深度学习模型（人体识别、人体分割、人体姿态估计、人体部位分割）从视觉数据中提取人体信息。2) 安全评估模块：根据感知模块的结果，计算人与机器人之间的距离、接触力/压力等安全指标，并与预设的安全阈值进行比较。3) 速度调整模块：根据安全评估模块的结果，动态调整机器人速度，确保安全指标在可接受范围内。整体流程是：摄像头采集图像 -> 深度学习模型处理图像，提取人体信息 -> 安全评估模块计算安全指标 -> 速度调整模块动态调整机器人速度。

关键创新：该论文的关键创新在于将深度学习技术应用于人机协作安全领域，并实现了对人体部位的精细识别。与传统的安全系统相比，该系统能够区分人体不同部位与其他物体，从而实现更智能的速度调整。此外，该框架还考虑了生物力学力/压力限制，进一步提高了安全性。

关键设计：论文中考察了四种不同的深度学习方法用于人体提取：人体识别、人体分割、人体姿态估计和人体部位分割。具体使用的网络结构和损失函数在论文中未详细说明，但可以推断使用了常见的图像识别和分割网络，如ResNet、U-Net等，并可能使用了交叉熵损失函数或Dice损失函数等。关键参数设置（如学习率、batch size等）也未在摘要中提及，属于实验细节。

📊 实验亮点

实验结果表明，与传统的安全技术相比，所提出的基于深度学习的人机安全框架能够显著减少周期时间，最高可达15%。这表明该框架在保证安全的前提下，能够有效提高机器人运行效率，具有重要的实际应用价值。具体的实验设置和对比基线在摘要中没有详细描述。

🎯 应用场景

该研究成果可广泛应用于人机协作的工业场景，例如汽车制造、电子组装、物流仓储等。通过动态调整机器人速度，可以显著提高生产效率，降低人工成本。此外，该技术还可以应用于医疗康复机器人、服务机器人等领域，实现更安全、更高效的人机交互。

📄 摘要（原文）

Over the last years collaborative robots have gained great success in manufacturing applications where human and robot work together in close proximity. However, current ISO/TS-15066-compliant implementations often limit the efficiency of collaborative tasks due to conservative speed restrictions. For this reason, this paper introduces a deep-learning-based human-robot-safety framework (HRSF) that aims at a dynamical adaptation of robot velocities depending on the separation distance between human and robot while respecting maximum biomechanical force and pressure limits. The applicability of the framework was investigated for four different deep learning approaches that can be used for human body extraction: human body recognition, human body segmentation, human pose estimation, and human body part segmentation. Unlike conventional industrial safety systems, the proposed HRSF differentiates individual human body parts from other objects, enabling optimized robot process execution. Experiments demonstrated a quantitative reduction in cycle time of up to 15% compared to conventional safety technology.