⚡ electrical engineering

Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

Este estudio empírico establece una relación significativa entre la cinemática de la interacción robot-pedestre y la comodidad subjetiva, permitiendo diseñar un estimador compuesto que predice con alta precisión el nivel de comodidad para integrar el bienestar humano en la planificación de trayectorias de robots móviles.

Autores originales: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Publicado 2026-04-16

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que un robot camina por una acera concurrida. Para nosotros, el problema obvio es: "¿El robot va a chocar contra la gente?". Pero este estudio se pregunta algo más sutil y humano: "¿Cómo se siente la gente cuando el robot pasa cerca?".

Aquí tienes la explicación de este trabajo, traducida a un lenguaje sencillo y con algunas analogías para que sea fácil de entender:

1. El Problema: Seguridad vs. Comodidad

La mayoría de los robots están programados para ser "seguros" (no chocar). Es como un conductor que solo evita atropellar a alguien, pero conduce de forma brusca, frenando de golpe o pasando muy cerca.

La analogía: Imagina que un conductor te pasa a un centímetro de tu ventana a 100 km/h. Técnicamente no te chocó (seguridad objetiva), pero te dio un susto de muerte (incomodidad subjetiva).
El objetivo: Los autores querían enseñar a los robots a no solo evitar choques, sino a ser "amables" y no asustar a los peatones.

2. La Experimentación: La "Carrera" en el Pasillo

Para entender qué asusta a la gente, los investigadores hicieron un experimento en un pasillo largo:

Los actores: Un robot móvil (un pequeño vehículo con ruedas) y voluntarios humanos.
La acción: El robot y la persona caminaban uno hacia el otro. El robot debía esquivar a la persona y pasar de largo.
Las variables: Cambiaron cosas como la velocidad del robot (rápido o lento), la distancia mínima que mantenían, y la suavidad de sus curvas.
La encuesta: Después de cada encuentro, la persona decía en una escala del 1 al 5: "¿Qué tan cómodo te sentiste?".

3. Los Descubrimientos: ¿Qué asusta más?

Los investigadores analizaron los datos y encontraron patrones interesantes, como si estuvieran buscando la "receta secreta" para no molestar:

El tiempo es oro (PTTC): La variable más importante no fue la distancia física, sino el tiempo. Imagina que ves un coche acercarse. Si ves que te va a chocar en 1 segundo, te asustas, aunque esté lejos. Si ves que te va a chocar en 5 segundos, te relajas. El robot descubrió que el "Tiempo hasta el choque proyectado" (cuánto tiempo le queda al robot para llegar a donde estás) es el mejor indicador de si la gente está tranquila o nerviosa.
La velocidad: Cuanto más rápido iba el robot, más incómoda se sentía la gente.
La distancia: Obviamente, pasar muy cerca (menos de medio metro) genera incomodidad, pero no es el único factor.
Las curvas: A la gente le gustan las curvas suaves. Si el robot hace giros muy cerrados y bruscos, parece "nervioso" y asusta.

4. La Solución: El "Detector de Comodidad"

Con estos datos, los autores crearon tres "detectores" (fórmulas matemáticas) para predecir si un robot va a asustar a alguien:

Detector de Distancia: Solo mira qué tan cerca pasa. (Es el clásico, pero no es el mejor).
Detector de Tiempo: Solo mira el tiempo hasta el choque. (Funciona mejor).
El "Super-Detector" (Combinado): Este es el ganador. Es como un chef que no usa solo sal, sino una mezcla perfecta de sal, pimienta, hierbas y especias. Este detector mira todo a la vez: velocidad, distancia, curvas y tiempo.

El resultado del Super-Detector:
Funciona increíblemente bien. El estudio dice que cuando este detector dice "¡Esta persona está cómoda!", tiene un 3.67 veces más probabilidades de acertar que si solo miráramos la distancia.

En lenguaje simple: Si el robot usa este nuevo sistema, sus movimientos serán mucho más naturales y menos aterradores para los humanos.

5. ¿Por qué es importante esto?

Hoy en día, los robots (como los de reparto o limpieza) a veces se sienten torpes o invasivos.

El futuro: Con esta "receta" de comodidad, los ingenieros pueden programar a los robots para que elijan rutas que no solo sean seguras (sin choques), sino también socialmente agradables.
La meta final: Que cuando un robot pase por tu lado en la calle, no sientas que te está "invadiendo", sino que sientas que es un vecino educado que sabe mantener su espacio.

En resumen: Este paper nos enseña que para que un robot sea un buen ciudadano, no basta con que no choque; tiene que saber cómo moverse para que no nos dé miedo. Y la clave no es solo ir despacio, sino entender el "tiempo" y la "suavidad" de su movimiento.

Resumen Técnico: Predicción Empírica de la Comodidad Peatonal

1. Planteamiento del Problema

La integración de robots móviles en espacios públicos (aceras, hospitales, aeropuertos) plantea desafíos más allá de la seguridad objetiva (evitar colisiones). Actualmente, la mayoría de los algoritmos de planificación de trayectorias priorizan la seguridad física, ignorando la seguridad subjetiva y la comodidad del peatón.

La brecha: La cuantificación de las emociones humanas y la ansiedad es compleja, lo que ha llevado a que los robots generen comportamientos socialmente incómodos o torpes.
El objetivo: Establecer una relación empírica entre las variables cinemáticas de la interacción robot-peatón y la comodidad subjetiva reportada, para poder integrar estas métricas en los planificadores de ruta.

2. Metodología

A. Configuración Experimental

Sujeto: 32 voluntarios (22 hombres, 10 mujeres) con edades entre 23 y 41 años.
Entorno: Un pasillo de 3.2 metros de ancho.
Robot: Un robot móvil Agilex Scout Mini equipado con una cámara de profundidad (Zedx), LiDAR 2D y 3D, y procesado en Nvidia Jetson AGX Orin. El robot se controla remotamente pero simula autonomía para el usuario.
Condiciones de Prueba:
- Se realizaron ensayos uno a uno.
- Dos condiciones de velocidad constante: R14 (1.4 m/s) y R28 (2.8 m/s). Se eligieron velocidades más altas que las habituales para reducir el "ruido" en la interpretación del peligro y forzar respuestas más centradas.
- Cada participante realizó 5 ensayos (total de 160 ensayos, de los cuales 145 se utilizaron tras filtrar fallos de datos).
Medición de Comodidad: Los participantes calificaron su nivel de comodidad en una escala Likert del 1 al 5 (1 = muy peligroso, 5 = muy cómodo) durante los ensayos.

B. Variables Cinemáticas Estudiadas
El estudio analizó seis variables objetivas extraídas de las trayectorias:

Velocidad del robot ( $v$ ): 1.4 m/s vs 2.8 m/s.
Distancia mínima ( $D_{min}$ ): La distancia euclidiana relativa más corta entre el robot y el peatón.
Distancia lateral ( $D_{lat}$ ): La distancia perpendicular en el momento del paso.
Curvatura máxima ( $\rho$ ): La máxima curvatura de la trayectoria del robot.
Tiempo de colisión proyectado mínimo ( $T_p$ o PTTC): El tiempo mínimo estimado hasta una colisión potencial.
Distancia en $T_p$ ( $D_{TP}$ ): La distancia entre robot y peatón en el instante del PTTC mínimo (nueva variable introducida en este trabajo).

C. Análisis Estadístico

Se utilizó la correlación de distancia (dCor) con pruebas de permutación (1000 iteraciones) para manejar variables ordinales (escala Likert) y relaciones no lineales/no monótonas sin asumir normalidad.
Se definieron tres predictores de comodidad binaria (Comodo = 4-5, No cómodo = 1-3) basados en las variables.

3. Contribuciones Clave

Estudio Empírico de Variables Olvidadas: Más allá de la distancia mínima, se investigaron sistemáticamente variables temporales (PTTC) y espaciales (curvatura, velocidad) en interacciones robot-peatón a velocidades relevantes.
Identificación del Predictor Temporal: Se demostró que el Tiempo de Colisión Proyectado Mínimo (PTTC) tiene la correlación más fuerte con la comodidad subjetiva, superando a la distancia mínima tradicional.
Diseño de Predictores de Comodidad: Se desarrollaron tres estimadores:
- Basado en distancia mínima ( $\hat{S}_d$ ).
- Basado en PTTC ( $\hat{S}_t$ ).
- Estimador Compuesto ( $\hat{S}_E$ ): Combina las seis variables mediante un sistema de ponderación de rangos (bins) basado en la inspección visual de los datos.

4. Resultados Principales

A. Análisis de Correlaciones

PTTC ( $T_p$ ): Mostró la correlación más fuerte y significativa ($dCor = 0.269, p = 0.002$). A mayor tiempo hasta la colisión, mayor comodidad.
Velocidad ( $v$ ) y Distancia Mínima ( $D_{min}$ ): Correlaciones moderadas pero significativas. La comodidad disminuye al aumentar la velocidad y aumenta con la distancia mínima. Se identificó un umbral de confort de ~0.5 m para la distancia mínima.
Distancia Lateral y Curvatura: Mostraron correlaciones débiles o no significativas estadísticamente, aunque visualmente sugieren tendencias (ej. una relación en forma de "U invertida" para la curvatura, indicando una curvatura óptima).

B. Rendimiento de los Predictores
Se compararon los predictores utilizando métricas de clasificación (Precisión, Recall, Especificidad, F1) y la Razón de Probabilidades (Odds Ratio):

Predictor	Métrica F1	Odds Ratio	Interpretación
Distancia Mínima ( $\hat{S}_d$ )	0.599	2.28	Si predice comodidad, es 2.28 veces más probable que sea cómodo.
PTTC ( $\hat{S}_t$ )	0.467	2.03	Rendimiento inferior al esperado por su alta correlación lineal, debido a la pérdida de información al binarizar.
Compuesto ( $\hat{S}_E$ )	0.723	3.67	El mejor rendimiento. Si el modelo predice comodidad, es casi 4 veces más probable que el peatón realmente se sienta cómodo.

El Estimador Compuesto superó a los predictores individuales en precisión, sensibilidad (recall) y puntuación F1, demostrando que, aunque las variables son colineales, cada una captura un aspecto distinto de la comodidad humana.

5. Significado e Implicaciones

Para la Planificación de Rutas: Este trabajo proporciona un "cuantificador de comodidad" que puede integrarse directamente en las funciones de costo de los algoritmos de planificación (ej. en aprendizaje por refuerzo). Los robots pueden recibir recompensas por trayectorias que maximicen el PTTC y mantengan distancias óptimas, no solo por evitar choques.
Cambio de Paradigma: Sugiere que la seguridad subjetiva no depende únicamente de la distancia física, sino fuertemente de la dinámica temporal (cuánto tiempo tiene el peatón para reaccionar).
Robustez Social: El uso de un predictor compuesto permite a los robots navegar de manera más "socialmente compliant" (cumplidora de normas sociales), reduciendo la ansiedad y el comportamiento evasivo de los peatones.

6. Limitaciones y Trabajo Futuro

Sesgo de Muestra: Los participantes eran voluntarios con una actitud positiva hacia los robots (sesgo de selección).
Control Remoto: El robot no era totalmente autónomo, lo que podría alterar la distribución de las variables cinemáticas en escenarios reales.
Binning Manual: La creación de los predictores se basó en la inspección visual y binning manual, lo que podría no capturar patrones subyacentes tan bien como un modelo de aprendizaje automático entrenado con división train-test.
Futuro: Se propone extender el modelo a entornos más diversos, probarlo en robots totalmente autónomos y utilizar técnicas de Machine Learning para refinar las predicciones con grandes conjuntos de datos.

En conclusión, el estudio demuestra que la comodidad peatonal es predecible mediante variables cinemáticas y que un enfoque multivariable (compuesto) ofrece una herramienta superior para diseñar robots sociales que respeten no solo la seguridad física, sino también el bienestar emocional de los humanos.