Este artículo aborda el desafío de equilibrar la necesidad de rigurosas garantías de seguridad con la necesidad de una operación responsiva y eficiente en celdas robóticas colaborativas para permitir una automatización flexible y de alto rendimiento en espacios de trabajo compartidos entre humanos y robots. Específicamente, buscamos superar las limitaciones de los enfoques puramente reactivos o de suposición del peor caso al considerar la variabilidad estocástica y dependiente de la tarea del movimiento humano (obstáculos dinámicos). Destacamos que los enfoques existentes de predicción del movimiento humano basados en el aprendizaje tienden a predecir los peores escenarios y tienen dificultades para manejar la incertidumbre de la predicción, lo que resulta en algoritmos de planificación excesivamente conservadores. Por lo tanto, proponemos un marco llamado Funciones de Barrera de Control Predictivas Conscientes de la Incertidumbre (UA-PCBFs), que integra la predicción probabilística del movimiento de la mano humana con las garantías de seguridad formales de las Funciones de Barrera de Control (CBFs). UA-PCBFs ajusta dinámicamente los márgenes de seguridad basándose en las estimaciones de incertidumbre del movimiento humano proporcionadas por el módulo de predicción. Validamos UA-PCBF a través de experimentos de configuración automatizada con manos robóticas reales y experimentos de interacción directa humano-robot, demostrando que supera a las arquitecturas HRI existentes en métricas relacionadas con tareas y reduce significativamente la cantidad de violaciones del espacio seguro.
