⚡ electrical engineering

Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

Diese Studie entwickelt einen empirischen, zusammengesetzten Prädiktor, der auf kinematischen Variablen basiert, um den subjektiven Komfort von Fußgängern bei Begegnungen mit mobilen Robotern vorherzusagen und so die soziale Konformität von Robotern in öffentlichen Räumen zu verbessern.

Ursprüngliche Autoren: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Veröffentlicht 2026-04-16

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, ein kleiner, autonomer Roboter läuft durch eine belebte Fußgängerzone. Er muss nicht nur sicher sein (also niemanden umrennen), sondern auch nett sein. Das Problem ist: Was fühlt sich für einen Menschen „angenehm" an, wenn ein Roboter an ihm vorbeifährt?

Diese Forschungsarbeit von Alireza Jafari und seinem Team ist wie ein sozialer Dolmetscher für Roboter. Sie haben herausgefunden, wie man das „Gefühl" eines Fußgängers in Zahlen verwandelt, damit der Roboter weiß, wann er sich zurückhalten und wann er sich trauen darf.

Hier ist die Geschichte der Studie, einfach erklärt:

1. Das Problem: Der „unbeholfene" Roboter

Bisher waren Roboter-Programmierer wie sehr vorsichtige Eltern: Sie haben sich nur darauf konzentriert, dass der Roboter nicht in jemanden kracht (objektive Sicherheit). Aber sie haben vergessen, wie sich der Mensch dabei fühlt.
Ein Roboter, der zwar sicher ist, aber zu schnell vorbeirasen oder zu nah an der Schulter vorbeifahren könnte, macht uns Angst oder nervt uns. Das ist wie ein Gast, der zwar nicht in die Vase stößt, aber zu nah an Ihrem Gesicht steht, während er spricht. Unangenehm!

2. Der Experiment-Labor: Der „Roboter-Testlauf"

Die Forscher haben ein kleines Theaterstück aufgeführt. In einem langen Flur (wie in einem Krankenhaus oder einer Schule) liefen Freiwillige herum. Ein Roboter (ein kleines Fahrzeug namens Scout Mini) fuhr ihnen entgegen und wich ihnen aus.

Die Akteure: 32 Freiwillige und der Roboter.
Die Handlung: Der Roboter fuhr mit zwei verschiedenen Geschwindigkeiten (eine gemütliche Spaziergang-Geschwindigkeit und eine sportliche Jogging-Geschwindigkeit).
Die Bewertung: Nach jedem Treffen gaben die Menschen eine Note von 1 bis 5 ab: „War das furchterregend?" (1) oder „War das total entspannt?" (5).

3. Die Entdeckung: Was macht uns wirklich nervös?

Die Forscher haben sechs verschiedene Messgrößen untersucht, um zu sehen, welche davon die Angst oder das Wohlbefinden am besten vorhersagen. Stellen Sie sich diese wie verschiedene Sensoren vor:

Der Abstand (Der klassische Maßstab): Wie nah kommt der Roboter? Das ist der bekannteste Faktor. Je weiter weg, desto besser. Aber es ist nicht der einzige Faktor.
Die Geschwindigkeit (Das Tempo): Je schneller der Roboter kommt, desto unangenehmer wird es. Das ist logisch, wie ein Auto, das zu schnell an einer Bushaltestelle vorbeifährt.
Die Kurven (Die Fahrweise): Fährt der Roboter ruckartig oder fließend? Menschen mögen sanfte Kurven.
Die „Zeit bis zum Aufprall" (PTTC): Das ist der Star der Studie! Stellen Sie sich vor, Sie laufen und ein Ball kommt auf Sie zu. Wie viel Zeit hätten Sie noch, auszuweichen, wenn Sie nichts tun?
- Die Studie fand heraus: Dieser Faktor ist der wichtigste. Wenn der Roboter so schnell auf uns zukommt, dass wir uns keine Zeit zum Ausweichen denken können, werden wir sofort nervös – selbst wenn er uns gar nicht berührt. Es ist wie bei einem Flugzeug, das zu niedrig fliegt: Man spürt die Gefahr, bevor es passiert.

4. Die Lösung: Der „Super-Vorhersage-Algorithmus"

Die Forscher haben drei verschiedene „Wettervorhersagen" für das Wohlbefinden gebaut:

Der einfache Abstand-Messer: Schaut nur auf den Abstand. (Gut, aber nicht perfekt).
Der Zeit-Messer: Schaut nur auf die „Zeit bis zum Aufprall". (Sehr gut, weil es der wichtigste Faktor ist).
Der „Komposit"-Messer (Der Gewinner): Dieser ist wie ein Orakel, das alle Zeichen gleichzeitig liest. Er kombiniert Abstand, Geschwindigkeit, Kurven und Zeit.

Das Ergebnis: Der „Komposit"-Messer ist der beste.

Wenn dieser Algorithmus sagt: „Der Mensch fühlt sich wohl", dann ist die Wahrscheinlichkeit, dass er sich tatsächlich wohl fühlt, fast viermal höher als wenn der Algorithmus das Gegenteil sagt.
Man kann sich das wie einen sehr erfahrenen Taktgeber vorstellen: Er weiß genau, wann er den Takt beschleunigen darf und wann er bremsen muss, damit der Tanz (die Begegnung) für alle angenehm ist.

5. Warum ist das wichtig?

Früher haben Roboter nur „Kollisionsvermeidung" gelernt (nicht anstoßen). Jetzt können sie „Soziale Compliance" lernen (nett sein).
Mit diesem neuen Werkzeug können Roboter-Programmierer ihre Routen so planen, dass sie nicht nur sicher, sondern auch psychologisch angenehm sind. Der Roboter wird nicht mehr wie ein starrer Roboter wirken, sondern wie ein höflicher Mitbürger, der weiß, wann er Platz machen muss.

Zusammenfassend:
Diese Studie hat den Roboter nicht nur klüger, sondern auch sozialer gemacht. Sie hat bewiesen, dass es nicht nur darauf ankommt, wie nah man kommt, sondern vor allem darauf, wie viel Zeit der andere hat, um zu reagieren. Der Gewinner ist ein intelligenter Mix aus allen Faktoren, der dem Roboter beibringt, sich wie ein guter Gastgeber zu verhalten.

1. Problemstellung

Mobile Roboter dringen zunehmend in öffentliche Räume wie Gehwege, Krankenhäuser und Flughäfen vor. Während die meisten Navigationsalgorithmen (z. B. Kollisionsvermeidung) die objektive Sicherheit priorisieren, wird die subjektive Sicherheit und das Komfortempfinden der Fußgänger oft vernachlässigt. Das Fehlen einer Quantifizierung von menschlichen Emotionen und Ängsten führt zu sozial unangenehmen Interaktionen.

Die zentrale Herausforderung besteht darin, den Zusammenhang zwischen den kinematischen Parametern der Roboterbewegung und dem subjektiven Komfort des Menschen empirisch zu erfassen und zu quantifizieren. Bisherige Forschung stützt sich stark auf die „Proxemik" (persönlicher Raum) und den minimalen Abstand, ignoriert jedoch andere kinematische Variablen wie Geschwindigkeit, seitlichen Abstand, Zeit bis zur Kollision (PTTC) und Trajektorienkrümmung.

2. Methodik

Experimentelles Setup:

Roboter: Ein Agilex Scout Mini (differenzgetrieben, Mecanum-Räder auf Null-Lateralgeschwindigkeit eingestellt) ausgestattet mit einer Stereo-Kamera (Zedx), einem 3D-LiDAR und einem 2D-LiDAR zur Notabschaltung. Als Rechenleistung dient ein Nvidia Jetson AGX Orin.
Umgebung: Ein 3,2 Meter breiter Flur.
Teilnehmer: 32 Freiwillige (22 Männer, 10 Frauen), Alter 23–41 Jahre.
Versuchsdesign: Ein-on-One-Interaktionen, bei denen der Roboter dem Fußgänger entgegenfährt und an ihm vorbeigeht.
- Zwei Geschwindigkeitsbedingungen: R14 (1,4 m/s) und R28 (2,8 m/s).
- Jeder Teilnehmer absolvierte 5 Durchgänge (entweder alle R14 oder alle R28).
- Die Teilnehmer bewerteten ihren Komfort nach jedem Durchgang auf einer Likert-Skala von 1 (sehr unangenehm/gefährlich) bis 5 (sehr angenehm).

Untersuchte kinematische Variablen:
Die Studie analysierte sechs Variablen, die während der Interaktion aufgezeichnet wurden:

Roboter-Geschwindigkeit ( $v$ ): Konstante Geschwindigkeit.
Minimale Distanz ( $D_{min}$ ): Der kürzeste euklidische Abstand zwischen Roboter und Fußgänger.
Seitlicher Abstand ( $D_{lat}$ ): Der senkrechte Abstand beim Vorbeigehen.
Maximale Krümmung ( $\rho$ ): Die maximale Krümmung der Roboter-Trajektorie.
Minimale PTTC ( $T_p$ ): Die „Projected Time-to-Collision" (Zeit bis zur Kollision), minimiert über den Verlauf.
Distanz bei minimaler PTTC ( $D_{TP}$ ): Der Abstand zum Zeitpunkt des minimalen PTTC.

Statistische Analyse:

Verwendung der Distanzkorrelation (dCor) mit Permutationstests (1000 Iterationen), da diese keine Normalverteilungsannahmen erfordert und nichtlineare, nicht-monotone Beziehungen sowie ordinale Daten (Likert-Skala) erfassen kann.
Entwicklung von drei Vorhersagemodellen (Schätzern) basierend auf den empirischen Daten.

3. Wichtige Beiträge

Empirische Untersuchung vernachlässigter Variablen: Die Studie untersucht systematisch den Einfluss von Geschwindigkeit, PTTC, seitlichem Abstand und Krümmung auf den Komfort, wobei bisherige Arbeiten oft nur den minimalen Abstand bei niedrigen Geschwindigkeiten betrachteten.
Entwicklung von Komfort-Schätzern: Es wurden drei Modelle entwickelt, um den Komfort vorherzusagen:
- $D_{min}$ -Schätzer: Basierend nur auf dem minimalen Abstand (der in der Literatur gängigste Ansatz).
- $T_p$ -Schätzer: Basierend nur auf der minimalen PTTC (da diese die stärkste Korrelation zeigte).
- Komposit-Schätzer ( $\hat{S}_E$ ): Kombiniert alle sechs kinematischen Variablen durch gewichtete Binning-Verfahren.
Quantifizierung der Vorhersagekraft: Einführung von Kennzahlen wie Odds Ratio, F1-Score, Genauigkeit und Spezifität zur Bewertung der Modelle.

4. Ergebnisse

Statistische Korrelationen:

Stärkste Korrelation: Die minimale PTTC ( $T_p$ ) zeigt die stärkste Korrelation mit dem subjektiven Komfort ($dCor = 0,269, p = 0,002$). Längere PTTC-Werte führen zu höherem Komfort.
Weitere signifikante Variablen:
- Minimale Distanz ( $D_{min}$ ): Signifikante Korrelation ($dCor = 0,219$). Ein Schwellenwert von ca. 0,5 m scheint kritisch zu sein.
- Geschwindigkeit ( $v$ ): Höhere Geschwindigkeit führt zu geringerem Komfort ($dCor = 0,214$).
- Distanz bei minimaler PTTC ( $D_{TP}$ ): Zeigt eine nicht-monotone Beziehung (inverted U-Form), signifikant ( $p = 0,033$ ).
Schwächere/Insignifikante Korrelationen:
- Seitlicher Abstand ( $D_{lat}$ ) und maximale Krümmung ( $\rho$ ) zeigten keine statistisch signifikanten Korrelationen im vorliegenden Datensatz, obwohl visuelle Trends (inverted U-Form) erkennbar waren.

Leistung der Vorhersagemodelle:
Der Komposit-Schätzer ( $\hat{S}_E$ ) übertraf die einzelnen Variablen-Schätzer deutlich:

Odds Ratio: Der Komposit-Schätzer erreicht eine Odds Ratio von 3,67. Das bedeutet: Wenn das Modell einen Fußgänger als „komfortabel" klassifiziert, ist die Wahrscheinlichkeit, dass dies tatsächlich zutrifft, fast viermal so hoch wie bei einer negativen Klassifizierung.
F1-Score: Der Komposit-Schätzer erreichte den höchsten F1-Score von 0,723, gefolgt vom $D_{min}$ -Schätzer (0,599) und dem $T_p$ -Schätzer (0,467).
Genauigkeit: Der Komposit-Schätzer erzielte eine Genauigkeit von 66,2 % und eine Sensitivität (Recall) von 78,1 %.

5. Bedeutung und Schlussfolgerungen

Die Studie liefert einen quantitativen Rahmen, um das Wohlbefinden von Fußgängern in die Pfadplanung von mobilen Robotern zu integrieren.

Soziale Compliance: Der entwickelte Komposit-Schätzer ermöglicht es Pfadplanungsalgorithmen (z. B. im Reinforcement Learning), Trajektorien nicht nur nach Kollisionsfreiheit, sondern auch nach dem vorhergesagten Komfort zu bewerten. Roboter können somit „sozial konforme" Pfade wählen, die höhere Belohnungen erhalten.
Praktische Implikationen: Die Ergebnisse zeigen, dass der alleinige Fokus auf den minimalen Abstand unzureichend ist. Die Einbeziehung temporaler Variablen (PTTC) und kinematischer Muster verbessert die Vorhersagegenauigkeit erheblich.
Zukünftige Arbeiten: Die Autoren schlagen vor, das Modell auf diverse Umgebungen und Bevölkerungsgruppen zu erweitern, es in vollautonomen Szenarien zu testen und maschinelle Lernverfahren für die Ableitung von Komfortvorhersagen aus großen Datensätzen zu erforschen.

Einschränkungen: Die Studie basierte auf Freiwilligen (positiver Bias), nutzte nur zwei Geschwindigkeitsstufen und verwendete manuell gesetzte Schwellenwerte (Binning), was die Vorhersagekraft im Vergleich zu datengetriebenen ML-Modellen einschränken könnte. Dennoch liefert sie eine solide empirische Basis für die nächste Generation sozialer Roboter.