专利名称：用于观测工业环境中的人员的方法
用于观测工业环境中的人员的方法
技术领域：
本发明涉及一种根据权利要求1和3的前序部分所述的用于观测工业 环境中的人员的方法。
如今通常可以将机动车生产中的工业制造过程划分为全自动流程和 全手动流程，全自动流程仅由机器执行，全手动流程仅由单独的工人或彼 此*的很多工人执行。至今，人员与机器(尤其是工业机器人)之间的 紧密合作由于安全方面的原因而大大受限。需要多个复杂并且昂贵的安全 系统(例如金属围栏、挡ib仗、激光扫描仪或组合的系统)以侵J吏生产环 境中的工人保持远离有潜在危险的机器。这些系统不能够检测人类的确切 位置、身体姿势或移动行为。 一旦工人接近机器人，机器人就停止，并且 生产过程中断。
由于制造过程极大地受益于人类与机器的紧密合作，因此这种安全系 统缺少与受监控的生产环境相关的"知识"是尤其不利的。尽管人类行动 灵活并有适应性，但当执行重复的工作操作时倾向于犯镣溪，机器运转迅 速而精确，但在此情况下是静态的并且不是很灵活。例如，在包括多个合 作的机器人的全自动制造单元的情况下，当合作的机器人中的单独一个有 缺陷时必须停止生产过程。此时希望由与剩余机器人合作的人类工人来暂 时替代有缺陷的机器人使得可以继续进行生产。通过为了半自动化过程而 进行的人类与机器的紧密合作可以极大地提升工业制造的效率、灵活性和 质量。
如今在工业生产领域中的安全系统主要包括金属围栏、扭光板和/或
激光扫描仪。第一方法基于图像处理来保护机器人保护区，在[ii和m中 详细描述了第一方法。在[i中描述的方法使用立体图像分析来检测对象 是否位于机器人的保护区中，而这样做时不用提取关于对象的种类(例如
人类或是对象)的或其移动行为的信息。在[2]中，仅借助于手的皮肤颜
色对人员进行检测，手的皮肤颜色在不恒定光照条件(可变色温)的情况
下导致关于检测可靠性的问题；当使用工作手套时，根本不能使用所描述 的方法。正如在[1I中阐述的现有4支术那样，这些方法不提取关于对象类 型的任何信息。此外，在涉及人员的情况下，它们不检测所i^A员的身体 部分和移动行为。因此，当人员闯入这种系统的保护区时，这种系统当然
4能够关闭机器人，但在人与机器人紧邻的情况下不能检测碰撞是否要来临 或者人类与机器是否有规律而没有任何危险地合作。
根据评论文章[3，在人员识别领域，将适当的方法划分为二维方法 以及三维模型，二维方法使用显式的形状模型或没有模型。在[4中，将 不同尺寸的窗口加在原始图像上;使对应的图像区域经受Haar小波变换。 通过将不同标度和取向的微分算子应用于图像区域的不同位置来获得相 应的小波系数。系数的基于其绝对值和其在图像中的局部分布的较小子集 根据这套特征(其在某些情况下可能很大)而被"手动"选择。将这套减 少的特征供给用于支持向量机(SVM)的分类。为了检测，将不同尺寸 的窗口加在图像上，并且从这些图像区域中提^4目应的特征；SVM 判断对应的窗口是否包含人员。在[5中，组合二维Haar小波特征的时间 序列以形成高维特征矢量，并且借助支持向量机对它们进行分类，因此与 纯粹的单独图像方法相比导致检测性能上的提高。在[6中，将棱角匹配 (chamfer matching)方法应用于在使用非固定摄^^机的道路交通的场景 下检测行人的轮廓。在[7]中，将棱角匹配技术与立体图像处理系统和根 据[8的用作紋理分类器的具有局部感受场的神经网络结合以便得到可靠 且稳定的分类结果。
其它方法使用统计的形状模型以便检测并且跟踪人员。在此，[9涉 及通过训练阶段获得的模型，其中通过特征点的位置来描述示例性轮廓。 通过使用主元分析(principle component analysis ， PC A)来减少^^t集， 因此除导致计算花费的减少之外还得到一定的概括能力。由于从一开始就 避免了与学习集不一致的M集，这在在时间上跟踪例如移动行人的这种 可变形轮廓的情况下是有用的。不仅整个人员的轮廓可以被检测，而且还 可以检测手的轮廓，以及可以检测相应的移动。然而，使用该方法所有特 征在任何时间都必须存在，因此不允许遮盖的实例。此外，并不排除通过 训练阶段确定的M化允许物理上不可能的状态。在[10中形状表示由B 样条函数给出。假设是固定的相机的情况下，则通过差异图像分析将人员 从背景中分离出来；,算法使用卡尔曼(Kalman)滤波器来工作。
在别处，使用颜色聚类流(color cluster flow )技术[11以便检测通过 移动相机记录的图像序列中的人员。因此甚至在人员的部分遮盖的情况 下，也有可能对人员进行检测并且非常可靠地在时间上跟踪他们。这种检 测阶段与[81中详细描述的延时神经网络(TDNN)分类方法相结合。
在[12中描述了近来的工作，涉及用于在道路交通场景中对行人进行检测并且包括检测阶段、躍應阶段以;M"象分类阶段的完整、实时的系统。
用于对人员进行检测的另 一组方法M于模型的技术，其中以模型的 形式使用关于人员外观的显式先验知识。由于在此情况下遮盖部分人体的 实例是有问题的，因此很多系统附加地假设关于待检测的移动的类型以及 摄#*现角的先验知识。例如，通过减去背景将人员分离出来，而这预先 假设了固定的相机和不变、或仅緩慢改变的背景。所使用的模型包括例如
直条("线条图")，各个人体部分由椭面进行近似[13-16。
在[17中描述了以下示例对于检测侧向对准摄^^站立或移动的人 员的多线索方法而言，同时使用非常不同的强度、边缘、距离以及移动特 征。这种方法是"面向对象的"，也就是说对于特定应用而言定义了普通 对象(例如，人员、背景、地板、光源)并且使得相关的方法可用于在图 像中检测这些对象。如果从图像中提取了若干个对象特征，则将对象具体 实例化以便随后有可能应用另外的专用方法。
用于对人员姿势(位置和身体部分采用的方式)进行三维确定的商用 系统是基于检测应用于身体的标记。在[18中描述了用于对姿势进行无标 记三维确定的;f艮有效的方法。
关于检测人员姿势的大部分工作专注于手的三维重构。在[19中，通 过使用运动学约束(尤其是关于物理上可能的接合角度)的关节连接的模 型来描述手。这些约束使得能够确定手的三维位置、姿势和移动。在[20J 中描述了 一种用于基于轮廓分析、i^J宗阶段以及针对移动的基于隐式马尔 科夫模型(HMM)的分类器**测手的移动流程(以及姿态)的方法。 在[21中描述的GREFIT系统能够借助关节连接的手模型基于^JL值图 像(Grauwertbildern )来对手姿势的动态进行分类。在第一阶段，神经 网络的分等级系统对指尖在序列的图像中的二维位置进行定位。在第二阶 段，另一神经网络将这些值转换为关节连接的手模型的最适合的三维配 置。在[22中，通过以下方式来直接检测手姿势借助自组织映射(SOM) 来标记对应的图像，并且借助神经网络进行随后的训练。
在[23]中将基于粒子滤波器并且还包括象征性的对象知识的轨迹分 析用于检测"操纵姿态"(用于抓握或者移动对象的手的移动)。在[24中 对该方法在人类/机器人交互的情况下进行扩展，也就是结合贝叶斯 (Bayes )网络和粒子滤波器来执行根据隐式马尔科夫模型对手轨迹进行 分类。在[25中描述了通过借助粒子滤波器方法进行的移动模式分析来对 建造动作(例如部分的装配)进行分类的方法。在[26中描述了如何在用于检测从单独元件合成的组件的方法中将手的移动的分析结果与更可靠
的对fj^r测的目的相结合。在此情况下，[27描述了基于视图的系统，其中通过可随后被联机(也就是说，在操作阶段期间)训练的神经网络iM^测对象。
在[30中描述了 一种用于从二维图像数据开始对人员进行三维建模的方法。i此，使用多摄^^/L (multicamera)系统来获:ftA员的图像数据、以;M^二维图像数据中识别出(尤其是通过模板匹配)的人员身体部分。然后借助三维模板通过动态模板匹配来对这样标识出的身体部分进行建模。这样的结果是即^A员被部分遮盖，或者暂时不能被多摄#4^系统获取，也可以快速而连续地对人员进行识别。然后借助运动学移动模型和卡尔曼滤波器在图像数据中跟踪检测到的人员。
在[31中描述了在被变换到三维空间中的图像数据内对人员以及他们的身体部分的识别。从由多摄像机系统产成的图傳JL据开始生成三维体素数据。此后，通过特定的匹配算法将对应^板匹配到身体部分。在此，也参照先前在[30的情况下的运动学身M型。
除了根据二维图^Jt据和普通移动分析来生成三维人员模型之外，在[32中描述的作用附加地指出用于对被，见测的人员的生物测定行为、特别是他们的姿态("举手来表明要提问的愿望")进行分析的第一方法。
上述现有技术示出用于以下目的基于图像处理的多种方法是已知的检测各种复杂环境中的人员，检测身体部分和他们的移动流程，以及检测包括单独部分的复杂对象和对应的装配活动。然而，这些算法的可应用性仅借助纯学术应用被频繁描述。
本发明的目的在于使基于摄像机对人员进行的检测和建模可达到在工业环境中的应用。
通it^权利要求1和3中所要求保护的方法来实现这个目的。从属权利要求描述本发明的有利细化和扩展。
在工业环境中，为了获得可能关于人员、特别也关于其身体部分的位置和对准的最详细的信息，通过多摄^^系统来获得人员的图像数据。然后针对人员的成像来检验这些图像数据使得每当在图像数据中检测到人员，就将关节连接的虚拟的人类身体三维模型匹配到该人员假设。^，将该虚拟身体模型连续地匹配到在图像数据中检测到的人员的移动行为。
在对工业环境中的人员进行观测的本发明第 一细化中，确定位于人员的环境中的机器或机器部件的位置和/或移动行为。可以从虚拟的身体模型在空间中的位置和移动行为的知识开始确定危险可能性。使这样确定出的危险可能性与阈值比较以便在超过该阈值的情况下对机器或机器部分的移动控制起作用。
在特别有利的方式中，对机器或机器部分的移动控制起作用导致其关闭或其移动的减慢。如果仅导致移动的减慢，则机器或其可移动的机器部
件能够继续进行工作^Mt，同时减小了危险可能性。
本发明的这种对人员进行观测的方式使得有可能以特别有利的方式在可靠的人类/机器交互的情况下应用该方法来排除危险。因此有可能根据机器或机器部件以及被观测的人员的当前位置和当前移动状态，将依赖于位置和时间的可变的危险程度分配给受监控的空间区域。
在对工业环境中的人员进行观测的本发明的可替选细化中，根据虚拟身M型的当前形状和位置连续地从工业环境中推导数据，并且将数据与
数据库的数据相关联。在此情况下，数据库包含在描i^A员的移动流程的
多个移动阶段期间根据身体模型的形状和位置而预先确定的多个数据。在此情况下，在该方法的过程中，每当从^^见测的人员的当前身M型推导
相似性，就认为所述移动阶段已经由被观测的人员所采用。如果在此情况下检测到存储在数据库中的特定顺序的移动阶段，则认为被观测的人员完全完成了移动流程。然而，如果移动流程被评估为尚未完全完成，则执行关于这种结果的信号发送。
本发明的这种对人员进行的观测有利地使得用于检查移动和工作流程的方法能够应用于工业生产领域。举例来说，复杂的手动装配流程由此在其执行期间会针对是否完全地并且以正确的顺序执行了适当的工作而被检查。若观测到的移动流程偏离预期的流程，则可以对此进行信号发送。特别在高度复杂模件(例如，动力总成)的情况下，这种类型的质量检查基本上比检查组合部件连同可能的后续再加工更有效，这是由于在后一种情况下可能需要将^^件完全或部分地拆卸，这转而与较高的时间和成本投
入相关联。
本发明的这种可替选细化的又一有利现场应用M督新训练的操作
员工J艮多4m在生产中出现在例如当需要在职位空缺期间立即训练新劳动力时。通过本发明，新训练的操作员工可以观察工作流程。于是可能告致假设工作操作尚未正确地执行的需要。
在特别有利的方式中，在对被评估为不完全的移动流程发送信号期间，对在检查关于移动流程的正确顺序期间被看作未被采用的移动阶段中的至少一个做出标记。这样，被观测的人员特别容易检测他/她的移动流程中的餘溪或他/她的操作执行中的餘溪。另一方面，训练者可以检测受训者认为学习活动的哪些部分仍然是困难的并且有可能需要附加的说明或进一步训练。
对未被检测作为已经采用的移动阶段的统计获取还可以有利地使得
能够在整个移动流程内以A^L工程学的方式来检测有问题的移动阶段，并
且如果适当，通过重置移动阶段的顺序或者通过修改要由被观测的人员操作的系统或对象来对有问题的移动阶段进行优化。
库，显然在通i多摄^^系统来获"观测的空间、人员或机器的记录图像的同时通过多个训练流程可获得所述数据。然而，替代地或附加地，还可以4艮好想到通过对移动流程和对此预期的图像信息进行模拟来生成数据库的数据，该操作在计算机系统上进行。因此，通过由仿真确定的观测系统的数据来与系统设计及其实施并行地在工厂中对观测系统进行预先初始化也变得有利地成为可能。
在特别有利的方式中，可以在数据库中管理数据容量，并且还可以通过使得存储在数据库中的图像数据经受变换、特别是主轴变换来减少关于处理的支出。为此，基于所述变换后的图像数据来执行用于对当前所获取的图像数据与数据库的数据的相似性进行确定的相互关联。
在特别有利的方式中，人员的三维模型基于三维点数据而被创建。这些点数据可以通过多目镜图像分析(特别包括立体图像分析)来创建。例
如，有可能通过使用基于空间时间特征的立体方法(例如在[28中所描述的)来获得与空间中的每个三维点相关的超过所述三维点的空间坐标(x，y, z)之外的信息项(例如其速度或加速度)。通过聚类方法、特别是通过聚集式聚类来有利地执行多个三维点数据(三维点云)的分割。随后对每个提取的三维点的聚类确定凸形包络。首先对每个聚类确定简单的特征(特别是其高度或体积)以便检测人员。然后有可能以此方式拒绝无效的、不合理的聚类，特别是从自然人的特性的先验知识开始。因此有利地可能在以下情况下将相邻的聚类组合以形成人员当单独的聚类不重叠并且对于所得的整体对象而言针对形状和尺寸的对应约束条件得以遵守时。在先前的步骤中不必排除的三维点、特别是在地板附近的脚点或与其它对象的接触点被优选地恢复。该第一处理步骤的结果是场景中的人员，他们M示为代表他们的聚类的凸形包络。在时间上，通过跟踪投射在地板上的产生二维多边形的凸形包络，可以有利地,这样检测到的人员，这是通过线性预测和卡尔曼滤波来进行的。
可以有利地将关节连接的人类身体三维模型匹配到这样发现的人员假设。在此情况下有利地通过互相连接的柱体对身体部分建立模型。在该模型中人员的姿势被给定为模型的^角度的矢量。优选地通过确定根据场景的三维点云和图像推导出的特征与对于给定姿势的模型的外观之间的偏差来执行姿势的估计，由此有可能确定给定姿势再现测得的人员形状
的概率。基于核的粒子滤波器[29特别适合作为对搜索空间的探索的概率逼近。
有利地由运动模板来表示检测到的身体部分的移动。此处这种模板是有代表性的移动模式，其包括在典型的人类移动流程的三维测量中并且限定人员模型的可能#角度以及接合角度速度的空间。这样有可能通过生物学上逼真的方式来外推人员的移动，尤其是为了检测人类与机器之间的碰撞危险时。在此情况下，移动过程可以被看作移动阶段的组合的流程。
文献 D. Ebert and D. Henrich. Simero - sichereMensch-Roboter—Koexistenz [Simero 誦 safe human/robotcoexistence]. In: Fraunhofer IRB, Ed.， 2. Workshop ftirOTS-Systeme in der Robotik - Mensch und Roboter ohnetrennende Schutzsysteme [2nd workshop for OTS systems inrobotics曙human and robot without separating protective systems关于机器人技术中的OTS系统的第二次研讨会-无需分开保护系统的人和机器人，pp. 119-134， Stuttgart, 2003[3
D. Gavrila. The Visual Analysis of Human Movement: A Survey[人类移动的视觉分才斤调查l. Computer Vision and ImageUnderstanding, 73(1): 82-98, Jan. 1999. A. Baumberg， D. Hogg. An Efficient Method for Contour TrackingUsing Active Shape Models[用于使用活动形状模型进行轮廓跟踪的有效方法].IEEE Workshop on Motion of Non-Rigid andArticulated Objects, pp. 194-199， Austin, Texas, 1994. K. Akita. Image Sequence Analysis of Real World Human Motion[真实世界人类动作的图《象顺序分析.Pattern Recognition. Vol. 17, No.l, pp. 73-83,1984.，Int. J. Pattern Recog. Artificial Intell.， Vol. 5， No.3, pp. 439-458， 1991.. IEEE Conference on Computer Vision and Pattern Recognition, pp. 734-741, San Francisco, 1996. B. Rosenhahn, U.G Kersting， A.W. Smith, J.K. Gurney, T. Brox， R. Klette. A System for Marker-less Human Motion Estimation [用于 无标记的人类动作估计的系统].In: W. Kropatsch， R. Sablatnig， A. Hanbury (eds.). Pattern Recognition. Proc. 27th DAGM Symposium, Vienna, Austria. Lecture Notes in Computer Science 3663, pp. 176-183， Springer國Verlag Berlin Heidelberg, 2005. S.U. Lee, I. Cohen. 3D Hand Reconstruction from a MonocularView[根据单目镜视图的三维手重构.Int. Conf. on Pattern Recognition, Cambridge, UK, 2004..Int. Conf. on Pattern Recognition, Cambridge, UK, 2004..Int. Conf. on Pattern Recognition, Cambridge, UK, 2004.， Informatik aktuell. pp. 389-396， Kiel, 2000
[26
E. Braun， J. Fritsch, (i Sagerer. Incorporating Process Knowledge into Object Recognition for Assemblies[过禾呈知识在装配的对象识 别中的结合l. IEEE Conf. on Computer Vision, pp. 726-732, Vancouver.
27
H. Bekel, I. Bax， G Heidemann, H. Ritter. Adaptive Computer
13for Object Recognition[适应的计算^M^ 觉对象识别的联机学习.In: C.E. Rasmussen， H.H. Btilthoff， M.A. Giese, B. Sch61kopf (eds.). Pattern Recognition. Proc. 26th DAGM Symposium, Tubingen, Germany. Lecture Notes in Computer Science 3175, pp. 447-454， Springer-Verlag Berlin Heidelberg, 2004.
[28
C. W6hler， L. Krtiger. Verfahren und Vorrichtung zur Korrespondenzbestimmung, vorzugsweise zur dreidimensionalen Rekonstruktion einer Szene [Method and device for determining correspondence, preferably for the threedimensional reconstruction of a scene用于优选对于景象的三维重构确定一致性的方法和i殳备; German patent application DE 102006013598.9， published after the priority date.
[29
C. Chang, R. Ansari, A. Khokhar. Multiple object tracking with kernel particle filter[使用核粒子滤波器的多对i跟踪.IEEE Int. Conf. on Computer Vision and Pattern Recognition, Vol. 1， pp. 566-573， 2005.
[30
Horprasert， T. Haritaoglu， I.， Harwood， D.，等人.Real-time 3D motion capture[实时的三维动作捕捉.In Proc. Perceptual User Interfaces, pages 87-90, November 1998.
[311 I. Mikic, M. Trivedi, E. Hunter, and P. Cosman. Human body model acquisition and tracking using voxel data[使用体素进行人类身^^ 型获取和跟踪.International Journal on Computer Vision, 53(3):199画223， July 2003.
[32
M. Pard^s等人.，Body detection, tracking and analysis [身#^领'、 i^J^以及分析,WP5 partners first focus meeting, 1-2 December 2005，Rocquencourt,slides，http:〃www-rocq.inria.fr/imedia/Muscle/ WP5/WP5國FFM-docs/E-TEAM画BODY-3.ppt.
1权利要求
1. 一种用于观测工业环境中的人员的方法，其中，通过多摄像机系统来获取人员的图像数据，其中，针对人员的成像来检查所述图像数据，其中，每当在所述图像数据中检测到人员，就将关节连接的虚拟的人类身体三维模型匹配到该人员假设，以及其中，将所述虚拟的身体模型连续地匹配到在所述图像数据中检测到的人员的移动行为，其特征在于，确定位于所述人员的环境中的机器或机器部件的位置和/或移动行为，并且基于所述虚拟身体模型在空间中的位置和移动行为的知识来确定危险可能性，使得每当所述危险可能性超过确定的阈值就对机器或机器部分的移动控制起作用。
2. 根据权利要求1所述的方法，其特征在于，对所述机器或机器部 分的移动控制起作用导致机器或机器部分的关闭或移动的减慢。
3. —种用于观测工业环境中的人员的方法，其中，通过多摄#4^系 统来获^A员的图像数据，其中，针对人员的成像来检查所述图像数据， 其中，每当在所述图^Jt据中检测到人员，就将关节连接的虚拟的人类身 体三维模型匹配到所^员假设，以及其中，将所述虚拟的身M型连续 地匹配到在所述图像数据中检测到的人员的移动行为，其特征在于，根据 所述虚拟身M型的当前形状和位置来连续地推导数据，并且将所述数据 与数据库的数据相关联，所述数据库包含在描iiA员的移动流程的多个移 动阶段期间根据身体模型的形状和位置而预先确定的多个数据，每当从被 观测人员的当前身体模型推导出的数据呈现出与存储在所述数据库中与 移动阶對目关的数据的确定程度的相似性，就认为所狄动阶段已经由被 观测的人员所采用，每当检测到存储在所述数据库中的特定序列的移动阶 段，就将移动流程评估为已经由被观测的人员完全执行，以及每当将移动 ;j^呈评估为尚未完全执行，就执行关于这种结果的信号发送。
4. 根据权利要求3所述的方法，其特征在于，在对被评估为不完全 的移动流程进行信号发送期间，对在检查关于移动流程的正确顺序期间被 看作未被采用的移动阶段中的至少一个做出标记。
5. 根据权利要求3和4之一所述的方法，其特征在于，执行对被评 估为尚未被采用的移动阶段的统计获取。
6. 根据权利要求3-5之一所述的方法，其特征在于，通过多个训练 流程和/或通过模拟来产生存储在所述数据库中的与单独移动阶段和/或移动流程相关的数据。
7. 根据权利要求3-6之一所述的方法，其特征在于，使存储在所述 数据库中的图像数据经受变换，特别是经受主轴变换，并且基于变换后的似性的相互关联。
8. 根据前述权利要求之一所述的方法，其特征在于，基于其信息超 过关于三维点数据的空间坐标的单一信息的三维点数据来执行人员的三维模型的创建。
9. 根据权利要求8所述的方法，其特征在于，通过考虑人员特有的 限制值来将所述三维点数据组合成聚类。
10. 根据权利要求9所述的方法，其特征在于，在以下情况下将相邻 的聚类组合以形成对人员成像的公共聚类当单独的聚类不重叠并且所得 到的公共聚类包括所i^A员特有的限制值时。
11. 根据权利要求9和10之一所述的方法，其特征在于，为了将所 述身体模型连续地匹配到在所述图像数据中检测到的人员的移动行为，跟 踪所述聚类或它们的凸形包络在工业环境的^L上的投影，尤其通过线性 预测和卡尔曼滤波来:ii行。
12. 根据前a利要求之一所述的方法，其特征在于，在将关节连接 的虚拟的人类身体三维模型匹配到表示人员的图^Jt据之后，确定所述身 体模型的给定姿势再现测得的人员的形状的概率。
全文摘要
制造过程极大地受益于人类与机器之间的紧密合作。尽管人类行动灵活并有适应性，但在重复的工作操作期间倾向于犯错误，机器运转迅速而精确，却是静态的并且不是很灵活。为了使得在安全的人机交互的情况下能够进行改进的危险防护，根据机器或机器部件以及被观测的人员的当前位置和当前移动状态，将依赖于空间和时间的可变的危险程度分配给受监控的空间区域。为此，在工业环境中，使用多摄像机系统来获取人员的图像数据以便获得可能关于人员、特别也关于其身体部分的位置和取向的最详细的信息。然后针对人员的成像来检验这些图像数据使得每当在图像数据中检测到人员，就将关节连接的虚拟的人类身体三维模型匹配到该人员假设。随后，将该虚拟的身体模型连续地匹配到在图像数据中检测到的人员的移动行为。使用虚拟的身体模型在空间中的位置和移动行为的知识来确定危险可能性。使这样确定出的危险可能性与阈值比较以便在超过该阈值的情况下对机器或机器部分的移动控制起作用。
文档编号G06K9/00GK101511550SQ200780033212
公开日2009年8月19日 申请日期2007年4月4日 优先权日2006年8月2日
发明者乌尔里希·克雷塞尔, 克里斯蒂安·韦勒, 弗朗茨·库默特, 拉尔斯·克吕格尔, 约阿希姆·施密特, 维尔纳·普罗格沙, 赖纳·奥特 申请人:皮尔茨公司