Legible Shared Autonomy: Implicit Communication of Robot Belief through Motion

Resumen Técnico: Autonomía Compartida Legible

Planteamiento del Problema
Los sistemas de autonomía compartida asisten a usuarios con discapacidades motoras combinando la entrada del usuario con asistencia autónoma para controlar brazos robóticos. Sin embargo, un "problema de transparencia" fundamental limita su eficacia: los usuarios no pueden observar las creencias internas del robot respecto al objetivo pretendido por el usuario. Los sistemas tradicionales priorizan la eficiencia, moviéndose a lo largo de la trayectoria más corta hacia el objetivo inferido. Cuando múltiples objetos se encuentran en direcciones similares (por ejemplo, un pañuelo y una taza sobre una mesa desordenada), este movimiento eficiente es ambiguo. Esto crea dos modos críticos de fallo:

1. Esfuerzo innecesario: Cuando el robot infiere correctamente el objetivo, los usuarios continúan proporcionando la entrada de control porque no pueden percibir que el robot entiende su intención, desperdiciando esfuerzo que podría delegarse al robot.
2. Corrección de errores retrasada: Cuando el robot malinterpreta la intención, los usuarios no pueden detectar el error hasta que el movimiento asistido diverge significativamente de su trayectoria deseada, lo que requiere una entrada correctiva sustancial.

Metodología
El artículo propone un marco de Autonomía Compartida Legible donde el robot comunica sus creencias inferidas sobre los objetivos del usuario a través de las características de su movimiento asistido, en lugar de depender de interfaces de retroalimentación explícitas.

• Métrica de Legibilidad a Nivel de Acción: A diferencia de los enfoques previos de trayectoria optimizados fuera de línea (offline), este trabajo introduce una métrica a nivel de acción computable en cada paso de tiempo para la interacción en tiempo real. La métrica cuantifica qué tan bien una acción del robot $a_R$ discrimina el objetivo inferido $\theta^*$ de las alternativas competidoras $\theta$. Se define como el logaritmo de la razón de la verosimilitud de la acción bajo el objetivo inferido frente a la alternativa más confusa:
  $$L(a_R | s_t, \theta^*) = \log \pi_H(a_R | s_t, \theta^*) - \log \max_{\theta \neq \theta^*} \pi_H(a_R | s_t, \theta)$$
  Los valores positivos indican que la acción señala fuertemente el objetivo inferido; los valores cercanos a cero indican ambigüedad.

• Marco de Optimización Dual: El robot selecciona acciones equilibrando el rendimiento de la tarea (minimizar la distancia al objetivo) y la legibilidad. La función objetivo es:
  $$a^*_R = \arg \max_{a_R \in A_R} [\lambda L(a_R | s_t, \theta^*) + Q(a_R, s_t, \theta^*)]$$
  donde $\lambda$ pondera la importancia de la legibilidad. Cuando $\lambda=0$, el sistema revierte a la autonomía compartida eficiente estándar.

• Asignación de Autoridad Adaptativa Consciente de la Confianza: Para gestionar el equilibrio entre revelar creencias y mantener el control, el sistema ajusta dinámicamente el peso de autoridad $\beta_t$ otorgado al usuario. Este peso es modulado por dos factores:

  1. Confianza de Inferencia ($b_t$): El robot se otorga más autoridad (menor $\beta_t$) solo cuando su confianza de creencia supera un umbral.
  2. Proximidad al Objetivo ($d_t$): El robot aumenta su autoridad a medida que se acerca al objetivo, donde la discriminación precisa del objetivo es más crítica.
     Cuando el usuario suelta el dispositivo de entrada, el robot asume el control total, permitiendo la delegación una vez que el usuario percibe la inferencia correcta.

Contribuciones Clave

1. Métrica de Legibilidad a Nivel de Acción: Una métrica computacionalmente eficiente que permite la comunicación de la intención legible en tiempo real, distinta de la optimización de trayectoria fuera de línea.
2. Marco de Autonomía Compartida Legible: La primera integración de la legibilidad en la autonomía compartida para revelar creencias sobre los objetivos del usuario (en lugar de los propios objetivos del robot), junto con una estrategia de autoridad adaptativa que señala los niveles de confianza.
3. Validación Empírica: Estudios de usuario exhaustivos que demuestran que el movimiento legible mejora la transparencia y reduce el esfuerzo del usuario.

Resultados Experimentales
El enfoque fue validado mediante dos estudios: una simulación en 2D con 20 participantes y un experimento físico con un brazo robótico Dobot CR5 de 6 grados de libertad con 15 participantes.

• Transparencia y Comprensión: En la simulación, el movimiento legible mejoró significativamente la capacidad de los usuarios para percibir si el robot entendía su intención (aumentando del 38% en la SA estándar al 96–99% en la SA legible) e identificar correctamente el objetivo inferido.
• Experiencia Subjetiva: Los experimentos físicos mostraron un aumento del 62% en la percepción de intuitividad y un aumento del 55% en las puntuaciones de calidad de colaboración para la autonomía compartida legible en comparación con la autonomía compartida estándar. Se encontró una fuerte correlación positiva ($r=0.926$) entre la comprensión percibida y la calidad de la colaboración.
• Esfuerzo de Control: La autonomía compartida legible redujo significativamente el esfuerzo de control del usuario en un 27% en experimentos físicos (y un 47% en simulación), ya que los usuarios pudieron delegar el control más temprano cuando percibieron la inferencia correcta.
• Compromiso de Duración de la Tarea: El estudio señaló un aumento del 12% en la duración de la tarea en experimentos físicos. Esto se atribuye a que las trayectorias se desvían del camino más corto para establecer una identidad de objetivo clara. Los autores argumentan que este compromiso es aceptable para la robótica asistencial, donde se prioriza la reducción de la carga física y el aumento de la comprensibilidad del sistema sobre la velocidad bruta.

Significancia y Reivindicaciones
El artículo afirma que la autonomía compartida legible transforma la interacción de una inferencia unidireccional en una colaboración bidireccional transparente. Al modular las características del movimiento para revelar las creencias internas, el sistema permite a los usuarios ajustar dinámicamente sus estrategias de control, reduciendo la entrada cuando se confirma la comprensión o corrigiendo errores inmediatamente cuando se detectan malentendidos.

Los autores concluyen que, si bien la legibilidad debe ajustarse a la tarea en lugar de maximizarse indiscriminadamente (ya que el movimiento excesivamente asertivo a veces puede reducir la percepción de colaboración), el movimiento asistido puede transportar eficazmente información sobre el estado de creencia del robot. Esto cierra la brecha de transparencia, moviendo la autonomía compartida de la "asistencia silenciosa" hacia un equipo humano-robot más comprensible. El trabajo reconoce las limitaciones, incluyendo la necesidad de evaluar inferencias incorrectas de alta confianza y la generalización a escenas desordenadas con muchos objetivos candidatos.