💻 computer science

Anatomy of Uncertainty: Expressive Descriptors of Robotic Manipulator Motion for Non-verbal Communication in Human-Robot Collaboration

Este artículo presenta un marco matemático que mapea la incertidumbre perceptiva robótica hacia estados de movimiento expresivos utilizando el Análisis del Movimiento de Laban y descriptores cinemáticos, validado por un estudio con sujetos humanos que muestra que los participantes pueden interpretar de manera confiable la confianza, curiosidad, vacilación y miedo del robot a través de claves de movimiento no verbales.

Autores originales: Ridhima Bector, Souravik Dutta, Poornima Ramachandran, Ree Yan Yeoh, Jui Hien Tan, Domenico Campolo, Bernhard Johannes Schmitt

Publicado 2026-07-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ridhima Bector, Souravik Dutta, Poornima Ramachandran, Ree Yan Yeoh, Jui Hien Tan, Domenico Campolo, Bernhard Johannes Schmitt

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 un mundo donde los robots no son solo máquinas silenciosas y metálicas, sino compañeros que pueden "hablar" sin decir una sola palabra. Este es el reino de la Colaboración Humano-Robot, una rama de la ciencia dedicada a lograr que humanos y máquinas trabajen juntos de forma segura y fluida. Para que esto suceda, un robot necesita más que una simple lista de instrucciones; necesita mostrarnos qué está pensando. Al igual que un humano podría hacer una pausa antes de cruzar una calle concurrida o inclinarse con curiosidad para inspeccionar un objeto extraño, un robot necesita comunicar su estado interno. Dos ideas clave hacen esto posible: la Incertidumbre Perceptiva, que es simplemente el sentimiento de un robot de "no estoy 100% seguro de lo que está pasando ahora mismo", y la Comunicación No Verbal, el arte de usar el lenguaje corporal (o en este caso, los movimientos del brazo) para compartir ese sentimiento. ¿Por qué es esto importante? Porque si un robot actúa como si supiera exactamente qué hacer cuando en realidad está confundido, podría cometer un error peligroso. Pero si puede mostrarnos que está "pensando" o "preocupado", nosotros, los humanos, podemos intervenir, reducir la velocidad o ayudar, haciendo que el trabajo en equipo sea mucho más seguro y natural.

Este artículo, titulado "Anatomía de la Incertidumbre", profundiza en cómo el brazo de un robot puede representar su confusión, curiosidad o confianza. Los investigadores, trabajando con brazos robóticos, se plantearon una gran pregunta: ¿Podemos enseñar a un robot a usar sus movimientos para decirnos: "No estoy seguro de este objeto" o "Tengo miedo de que se me caiga"? Para responder a esto, no se limitaron a adivinar; construyeron una "anatomía" matemática de los sentimientos del robot. Tomaron prestado un sistema llamado Análisis del Movimiento de Laban, que es como un diccionario para la danza y el movimiento humano, descomponiendo las acciones en cualidades como "fuerte vs. ligero" o "rápido vs. lento". Mapearon estos movimientos de danza sobre dos ejes invisibles: Compromiso (cuánto quiere el robot ir hacia el objetivo) y Vigilancia (cuánto está mirando alrededor y comprobando si hay problemas).

Al mezclar estos dos ejes, el equipo creó un "espacio de estados" donde viven diferentes estados de ánimo del robot. Por ejemplo, un alto compromiso y baja vigilancia equivalen a Confianza (ir directo al objetivo). Una alta vigilancia con bajo compromiso equivale a Miedo (retroceder mientras se sacude). Identificaron cinco "primitivas de movimiento" básicas, los bloques de construcción del movimiento del robot: Acercamiento (moverse hacia adelante), Pausa (detenerse a pensar), Retirada (moverse hacia atrás), Exploración (mirar alrededor) y Oscilación (temblar). Luego, convirtieron esto en 11 números específicos y medibles, como la aceleración del brazo, cuántas veces se detiene, cuánto retrocede y cuánto se inclina o se sacude.

Para ver si este "lenguaje corporal robótico" realmente funciona, los investigadores crearon videos de un brazo robótico realizando cuatro "estados de ánimo" diferentes: Confiado, Curioso, Vacilante y Temeroso. Mostraron estos videos a 55 participantes humanos y les pidieron que adivinaran qué estaba sintiendo el robot. Los resultados fueron claros: las personas podían distinguir la diferencia de manera fiable. Cuando el robot se movía rápido y con pocas paradas, la gente veía Confianza. Cuando se movía lentamente, miraba alrededor e inclinaba su "cabeza", la gente veía Curiosidad. Cuando se detenía a menudo, retrocedía y se movía lentamente, la gente veía Vacilación. Y cuando retrocedía rápidamente con muchas pausas y sacudidas, la gente veía Miedo.

El estudio no se detuvo solo en identificar los estados de ánimo; también probó cómo el cambio de números específicos alteraba la "intensidad" del sentimiento. Descubrieron que hacer que el robot hiciera pausas más cortas y se moviera más rápido lo hacía parecer más confiado. Por el contrario, hacer que el robot hiciera pausas más largas, retrocediera más y se sacudiera más, lo hacía parecer más temeroso o vacilante. Sin embargo, también descubrieron que no todos los movimientos importaban por igual. Cambiar la velocidad con la que el robot se inclinaba o la fuerza con la que se sacudía no siempre hacía que el sentimiento fuera más fuerte o débil de una manera que la gente pudiera detectar fácilmente. Esto sugiere que, para que un robot comunique la incertidumbre de manera efectiva, necesita acertar en el panorama general —combinando velocidad, paradas y dirección— en lugar de simplemente retocar detalles minúsculos.

En última instancia, este artículo sugiere que podemos dar a los robots un "vocabulario" de movimiento para expresar su incertidumbre. Si bien el estudio actual utilizó videos preestablecidos diseñados por humanos, los autores proponen que, en el futuro, los robots podrían utilizar esta misma "anatomía" para calcular automáticamente cómo deberían moverse basándose en sus propios sensores. Si la cámara de un robot se vuelve borrosa, podría decidir automáticamente "vacilar" y "mirar alrededor" en lugar de agarrar un objeto ciegamente, dejando que el compañero humano sepa exactamente qué está pasando dentro del cerebro de la máquina.

Resumen Técnico: Anatomía de la Incertidumbre

Planteamiento del Problema

Los robots que operan en entornos de colaboración humano-robot (HRC) encuentran frecuentemente incertidumbre perceptual debido al ruido de los sensores, la oclusión, las observaciones ambiguas y los modelos imperfectos. Mientras que los marcos de toma de decisiones clásicos abordan esto internamente a través de estados de creencia, existe una brecha crítica en la comunicación no verbal: los humanos no pueden inferir si un robot ha resuelto algo con confianza, si está recopilando información o si es incapaz de determinar una acción si el robot ejecuta todas las tareas con perfiles de movimiento idénticos. Los métodos existentes para el movimiento expresivo de los robots suelen mapear las cualidades del movimiento hacia emociones o metas discretas, pero carecen de una cuenta matemática unificada de cómo la incertidumbre perceptual debería descomponerse en procesos conductuales. Además, existe una literatura insuficiente que identifique un conjunto suficiente de parámetros de movimiento medibles que puedan expresar sistemáticamente diferentes estados relacionados con la incertidumbre (por ejemplo, confianza frente a miedo) y sus intensidades.

Metodología

Los autores proponen un marco matemático que traduce la incertidumbre perceptual en el movimiento de un manipulador robótico utilizando el Análisis de Movimiento de Laban (LMA) como una base interpretativa cualitativa.

1. Modelado Conductual (Espacio de Estados de Compromiso-Vigilancia)
El núcleo del marco es un modelo conductual latente en 2D que mapea cuatro factores de Esfuerzo de LMA (Peso, Tiempo, Espacio, Flujo) sobre dos dimensiones ortogonales:

Compromiso ( $C$ ): Representa el grado de inversión motora hacia una meta de la tarea (aproximación frente a retirada). Derivado de los factores de Peso y Tiempo.
Vigilancia ( $V$ ): Representa la asignación del movimiento al monitoreo, la comprobación y la recopilación de información. Derivado de los factores de Espacio y Flujo.

Este espacio $C-V$ define cinco estados conductuales canónicos asociados con la creciente incertidumbre perceptual:

Confianza: Alto Compromiso, Baja Vigilancia (Aproximación directa y rápida).
Curiosidad: Alto Compromiso, Alta Vigilancia (Aproximación con escaneo/exploración).
Vacilación: Bajo/Negativo Compromiso, Baja Vigilancia (Oscilación entre aproximación y retirada).
Miedo: Bajo/Negativo Compromiso, Alta Vigilancia (Retirada con monitoreo defensivo).
Inactividad: Bajo/Negativo Compromiso, Baja Vigilancia (Desconexión completa).

2. Primitivas de Movimiento y Descriptores Expresivos
Para operacionalizar estos estados, los autores definen cinco primitivas de movimiento elementales: Aproximación, Pausa, Retirada, Exploración y Oscilación. Estas están parametrizadas por 11 descriptores expresivos computables derivados de datos cinemáticos y geométricos:

Cinemáticos/Temporales: Aceleración de aproximación, conteo de pausas, duración de la pausa, conteo de retiradas, distancia de retirada, aceleración de retirada.
Geométricos/Orientación: Ángulo de mirada horizontal, ángulo de mirada vertical, ángulo de inclinación, velocidad de inclinación.
Micromovimiento: Amplitud de temblor (oscilación de alta frecuencia).

Estos descriptores permiten la traducción del estado abstracto $C-V$ en trayectorias específicas y medibles del efector final.

Contribuciones Clave

El artículo realiza tres contribuciones principales:

Un Modelo Conductual Anatómico: Una proyección matemática de los factores de Esfuerzo de LMA sobre un espacio de estados de Compromiso-Vigilancia, organizando los estados relacionados con la incertidumbre (confianza, curiosidad, vacilación, miedo, inactividad) basándose en el compromiso dirigido a la tarea y el comportamiento de gestión de la incertidumbre.
Un Conjunto de Primitivas de Movimiento y Descriptores: Una traducción del modelo conductual en trayectorias de manipulador utilizando cinco primitivas parametrizadas por 11 descriptores cinemáticos y geométricos específicos, proporcionando un conjunto reutilizable para generar y medir comportamientos relacionados con la incertidumbre.
Validación de la Percepción Humana: Un estudio con sujetos humanos basado en video que evalúa si las trayectorias parametrizadas por descriptores comunican con éxito estados conductuales distintos y si los cambios sistemáticos en los descriptores individuales modulan la intensidad expresiva percibida.

Resultados Experimentales

Un estudio en línea aprobado por un IRB con 55 participantes válidos evaluó cuatro trayectorias base (Confiante, Curioso, Vacilante, Temeroso) y sus variaciones.

Reconocimiento de Estados (H1): Los participantes identificaron de manera confiable los estados conductuales pretendidos con tasas significativamente superiores al azar ( $p < .001$ ). El análisis post-hoc confirmó un único estado conductual dominante para cada trayectoria (por ejemplo, la trayectoria "Vacilante" fue identificada predominantemente como tal, sin que otras categorías competidoras alcanzaran significancia).
Modulación de la Intensidad (H2): Cambios sistemáticos en descriptores específicos alteraron significativamente la intensidad percibida de los estados:
- Confianza: Aumentó con pausas más cortas y mayor aceleración de aproximación.
- Curiosidad: Aumentó con una mayor amplitud de inclinación, mayores ángulos de mirada horizontal/vertical y mayor aceleración de aproximación.
- Vacilación: Aumentó con pausas más largas, mayor distancia/conteo de retirada y menor aceleración de aproximación.
- Miedo: Aumentó con pausas más largas, mayores conteos de pausa/retirada y menor aceleración de aproximación.
Descriptores No Dominantes: Ciertos parámetros, como la amplitud del temblor (para el miedo), la aceleración de la retirada (para miedo/vacilación) y la velocidad de inclinación (para la curiosidad), no produjeron una diferenciación perceptual clara cuando se manipularon de forma aislada, lo que sugiere que pueden requerir una modulación conjunta o variaciones mayores para ser efectivos.

Significado y Reivindicaciones

El artículo afirma establecer una base perceptualmente fundamentada para codificar la incertididad del robot en el movimiento. Demuestra que la incertidumbre perceptual no se representa mediante una única señal cinemática, sino que emerge de variaciones coordinadas en el compromiso con la tarea y el comportamiento de búsqueda de información. Los resultados respaldan el uso de combinaciones estructuradas de aproximación, interrupción, exploración y retirada para comunicar estados internos a los colaboradores humanos.

Los autores señalan modestamente las limitaciones: los valores de los descriptores y las trayectorias actuales fueron diseñados manualmente en lugar de ser computados autónomamente a partir de la percepción en tiempo real, y el estudio dependió de la evaluación basada en video en lugar de una interacción de bucle cerrado. Por consiguiente, el marco sirve actualmente como una metodología de diseño de movimiento en lugar de un sistema de control totalmente autónomo. Se propone como trabajo futuro integrar estos descriptores con Primitivas de Movimiento Dinámico (DMPs) para permitir la generación autónoma de trayectorias condicionada por la incertidumbre perceptual estimada del robot, las restricciones de seguridad y los requisitos de la tarea.