Exploring Human-Robot Collaboration: Analysis of Interaction Modalities in Challenging Tasks

Resumen Técnico: Exploración de la Colaboración Humano-Robot: Análisis de Modalidades de Interacción en Tareas Desafiadoras

Planteamiento del Problema
A medida que los robots ingresan cada vez más en entornos sociales como la atención sanitaria, la logística y la educación, el desafío se desplaza de la mera ejecución de tareas a una colaboración socialmente aceptable. Existe una brecha crítica en la comprensión de cómo diferentes niveles de proactividad del robot —específicamente reactiva (basada en solicitudes) versus proactiva (basada en iniciativa)— impactan la percepción del usuario, su estado emocional y el rendimiento en la tarea. Mientras que la literatura existente sugiere que el comportamiento proactivo puede mejorar la fluidez y la percepción antropomórfica, otros estudios indican que los usuarios pueden encontrar tales intervenciones perturbadoras o intrusivas, prefiriendo mantener el control sobre el momento de las intervenciones. Este estudio investiga estas dinámicas conflictivas para determinar qué modalidad de interacción prefieren los usuarios y cómo los comportamientos proactivos versus reactivos influyen en la experiencia humana en una tarea colaborativa exigente tanto cognitiva como físicamente.

Metodología
El estudio empleó un diseño experimental intra-sujeto con 18 participantes adultos. La tarea principal requirió que los participantes ensamblaran una torre de siete capas de colores de memoria utilizando bloques LEGO DUPLO. La tarea fue diseñada para ser cognitivamente demandante (requiriendo la memorización de una secuencia de colores mostrada brevemente) y físicamente desafiante (requiriendo que los participantes se pusieran de pie y recuperaran bloques específicos del lado opuesto de la mesa).

Los participantes completaron la tarea bajo tres modalidades distintas:

1. Pasiva (PA): El participante trabajó solo sin asistencia robótica.
2. Reactiva (R): Un robot móvil (DJI RoboMaster EP Core) proporcionó asistencia únicamente tras una solicitud verbal explícita. La asistencia incluía recuperar bloques específicos o sugerir el color correcto mediante señales LED y voz.
3. Proactiva (PR): El robot intervino autónomamente sin solicitudes explícitas. Recuperó el cuarto bloque de una nueva capa inmediatamente después de colocar el primero y señaló errores (por ejemplo, color incorrecto) mediante destellos de LED rojo y alertas verbales. Los usuarios aún podían solicitar sugerencias de color.

Para asegurar una ejecución fluida mientras se aislaban las respuestas del usuario al momento de la asistencia de la robustez de la percepción, se utilizó una configuración de "Mago de Oz", donde un operador teleoperaba el robot discretamente. La recopilación de datos incluyó métricas objetivas de rendimiento (tiempo de finalización, conteo de errores, frecuencia de solicitudes) y métricas subjetivas recopiladas mediante un cuestionario de 25 ítems basado en una escala Likert de 7 puntos. El cuestionario evaluó la percepción de la tarea (dificultad, demanda mental/física), la experiencia emocional (ansiedad, comodidad, control) y la percepción del robot (confianza, utilidad, fiabilidad, calidad de la interacción).

Contribuciones Clave

• Análisis Comparativo de Modalidades: El estudio proporciona una comparación directa de las modalidades pasiva, reactiva y proactiva dentro de un único marco experimental, ampliando trabajos anteriores (por ejemplo, Baraglia et al., 2017) mediante la introducción de una línea base pasiva y el aumento de la complejidad de la tarea a través de requisitos de memoria y recuperación física.
• Marco de Evaluación Holístico: La investigación integra datos de rendimiento objetivo con una evaluación subjetiva granular, agrupando las métricas en puntuaciones de "tarea", "emocional" y "robot" para evaluar el impacto multidimensional del comportamiento del robot.
• Implementación de Mago de Oz para HRI: El estudio demuestra una configuración de teleoperación controlada que imita el comportamiento autónomo para probar las reacciones de los usuarios al apoyo proactivo sin las limitaciones técnicas de los sistemas actuales de percepción autónoma.

Resultados

• Métricas de Rendimiento: Contrario a la hipótesis de que la asistencia aceleraría la tarea, la modalidad Pasiva resultó en los tiempos de finalización más rápidos. Tanto las modalidades Reactiva como Proactiva aumentaron el tiempo de finalización, atribuido a la sobrecarga de interacción (esperar el movimiento y la retroalimentación del robot). Sin embargo, la diferencia en el tiempo de finalización entre las modalidades Reactiva y Proactiva no fue estadísticamente significativa.
• Percepción Subjetiva de la Tarea: Los participantes calificaron la tarea como significativamente más fácil y menos exigente físicamente en la modalidad Proactiva en comparación con la condición Pasiva. La modalidad Proactiva también mostró tendencias hacia una mayor precisión y menor ansiedad en comparación con la condición Pasiva.
• Percepción del Robot y Preferencia:
  • Preferencia: El 67% de los participantes prefirió la modalidad Proactiva, y el 78% la juzgó como la más útil.
  • Confianza y Utilidad: La modalidad Proactiva recibió puntuaciones significativamente más altas en utilidad, fiabilidad y confianza del robot en comparación con la modalidad Reactiva.
  • Control: A pesar de la preferencia por el apoyo proactivo, un subconjunto de participantes (28%) prefirió la modalidad Reactiva, citando un deseo de mayor control sobre las intervenciones del robot.
• Experiencia Emocional: Si bien las puntuaciones emocionales mostraron mejoras estadísticas marginales en la condición Proactiva en comparación con la Pasiva, la tendencia general indicó un estado afectivo más positivo durante las interacciones asistidas.

Significado y Afirmaciones
El artículo afirma que el apoyo proactivo oportuno puede mejorar significativamente la experiencia del usuario en tareas colaborativas controladas, incluso cuando no mejora la eficiencia objetiva. Los resultados sugieren que los usuarios están dispuestos a intercambiar la velocidad de finalización de la tarea por un menor esfuerzo físico y una mayor calidad de interacción. El estudio concluye que los robots proactivos son generalmente percibidos como útiles y no intrusivos en este contexto, desafiando la noción de que los usuarios prefieren universalmente mantener un control estricto sobre el momento de las intervenciones.

Sin embargo, los autores mantienen una postura modesta, reconociendo el tamaño pequeño de la muestra (N=18) y las restricciones específicas del diseño experimental. Plantean que, si bien el comportamiento proactivo es beneficioso para la experiencia del usuario en este entorno controlado, se requiere investigación futura para validar estos hallazgos en escenarios más complejos y dinámicos, y en diversas poblaciones de usuarios con diferentes niveles de experiencia previa con robots. El trabajo respalda el diseño de robots de asistencia que se involucren proactivamente manteniendo la transparencia y la agencia del usuario, pero enfatiza la necesidad de modalidades adaptativas para acomodar las diferencias individuales en los estilos de colaboración.