Resumen Técnico: El Papel de la Variabilidad en la Experiencia de Interacción Humano-Máquina

Planteamiento del Problema

La interacción física humano-máquina (pHMI) se está desplazando cada vez más hacia una colaboración estrechamente integrada donde los humanos y las máquinas intercambian fuerzas físicas para lograr tareas compartidas. Si bien las estrategias convencionales de control compartido y asistencia háptica optimizan eficazmente el rendimiento objetivo de la tarea, suelen depender de modelos humanos deterministas que ignoran la naturaleza estocástica del comportamiento motor humano. Específicamente, estos sistemas suelen suprimir la variabilidad natural del movimiento, tratándola como ruido que debe minimizarse en lugar de como una característica estructurada del control motor.

El artículo sostiene que restringir sistemáticamente la variabilidad irrelevante para la tarea puede alterar las contingencias sensoriomotoras a través de las cuales los usuarios generan predicciones y atribuyen los resultados de sus acciones. Este desajuste entre el modelo interno del controlador y las estadísticas naturales de movimiento del usuario podría degradar el sentido de agencia del usuario, la usabilidad percibida y la experiencia general de interacción, incluso si el rendimiento de la tarea sigue siendo alto. A pesar del papel establecido de la variabilidad estructurada en el control motor, su impacto específico en la experiencia de interacción humana en la pHMI estrechamente acoplada no ha sido explorado empíricamente.

Metodología

Diseño Experimental

El estudio empleó un diseño intra-sujeto con 41 participantes realizando una tarea háptica de punto a punto físicamente acoplada. La variable independiente fue el modo de interacción, que consistía en tres condiciones:

1. noSup (Sin Soporte): Una condición de línea base sin automatización, que captura los patrones naturales del movimiento humano.
2. lowVar (Variabilidad Restringida): Un modo de controlador convencional diseñado para minimizar la variabilidad general del movimiento.
3. highVar (Respeto a la Variabilidad): Un nuevo modo de Control Óptimo que Respeta la Variabilidad Humana (HVROC, por sus siglas en inglés) diseñado para preservar los patrones naturales de variabilidad del movimiento humano en dimensiones irrelevantes para la tarea, manteniendo al mismo tiempo la precisión de la tarea.

Implementación del Sistema

• Hardware: Un brazo robótico KUKA LBR iiwa 14 R820 equipado con un sensor de fuerza-par sirvió como interfaz háptica.
• Simulación: El robot estaba virtualmente acoplado a un sistema simulado de masa lineal (dinámica de masa-amortiguador) en un espacio de trabajo 2D.
• Lógica de Control: La automatización aplicaba entradas de fuerza aditivas basadas en una ley de control de retroalimentación de estado.
  • El modo lowVar utilizó una solución HVROC estacionaria con ganancias de retroalimentación altas ($L_p = L_d = 150$) para amortiguar agresivamente las desviaciones.
  • El modo highVar empleó una programación de ganancias dependiente del error de posición. Utilizó ganancias iniciales más bajas ($L_p=75, L_d=20$) para permitir la variabilidad natural durante la fase de movimiento, aumentando las ganancias linealmente solo a medida que el sistema se acercaba al objetivo ($e < 1/3 e_{start}$) para asegurar una deceleración estable.
• Tarea: Los participantes realizaron 82 movimientos en cuatro direcciones, equilibrando velocidad y precisión. La automatización se activaba solo cuando la fuerza aplicada por el humano superaba los 5 N para aislar los efectos de la estrategia de control de los retrasos en el tiempo de reacción.

Medidas

• Métricas Conductuales:
  • Variabilidad Irrelevante para la Tarea: Medida como la varianza posicional máxima ($V_{max}^y$) ortogonal a la dirección del movimiento durante la fase media del movimiento.
  • Rendimiento de la Tarea: Medido mediante el tiempo de asentamiento, el error en el punto final y la varianza en el punto final en la región del objetivo.
• Métricas de Experiencia de Interacción:
  • Sentido de Agencia: Control percibido sobre las acciones y los resultados.
  • Autoeficacia: Creencia en la propia capacidad para realizar la tarea.
  • Flow (Estado de Flujo): Estado de compromiso enfocado.
  • Usabilidad: Evaluada mediante el cuestionario QUEAD, incluyendo subescalas de utilidad percibida, facilidad de uso y respuesta emocional.

Contribuciones Clave

1. Investigación Empírica de la Estructura de la Variabilidad: El estudio proporciona la primera evidencia empírica respecto a la relación causal entre la variabilidad del movimiento irrelevante para la tarea y la experiencia de interacción humana en la pHMI estrechamente acoplada.
2. Implementación de HVROC: El artículo demuestra la viabilidad de un controlador óptimo consciente de la variabilidad que manipula explícitamente la variabilidad irrelevante para la tarea sin comprometer el rendimiento relevante para la tarea.
3. Desacoplamiento de Rendimiento y Experiencia: La investigación establece que las estrategias de control pueden ser funcionalmente equivalentes en términos de éxito objetivo de la tarea, pero ser experencialmente distintas.

Resultados

Rendimiento de la Tarea

• Manipulación de la Variabilidad: El modo highVar preservó con éxito significativamente más variabilidad irrelevante para la tarea ($M=0.65 \times 10^{-4} m^2$) en comparación con el modo lowVar ($M=0.33 \times 10^{-4} m^2$), aunque ambos fueron menores que la línea base noSup ($M=1.11 \times 10^{-4} m^2$).
• Éxito de la Tarea: Ambos modos asistidos (lowVar y highVar) superaron significativamente a la línea base noSup en tiempo de asentamiento, error en el punto final y varianza en el punto final.
• Equivalencia: Crucialmente, no hubo diferencias significativas en el rendimiento relevante para la tarea (tiempo de asentamiento, error en el punto final o varianza en el punto final) entre los modos highVar y lowVar. Esto confirma que preservar los patrones naturales de variabilidad no conlleva un costo en el rendimiento objetivo de la tarea.

Experiencia de Interacción Humana

• Experiencia General: Ambos modos asistidos produjeron calificaciones significativamente más altas para el sentido de agencia, la autoeficacia, el flujo y la usabilidad en comparación con la línea base noSup.
• Impacto de la Variabilidad: Aunque la agencia, la autoeficacia y el flujo no difirieron significativamente entre los dos modos asistidos, la usabilidad fue significativamente mayor en la condición highVar en comparación con lowVar.
• Análisis de Subescalas: La mejora en la usabilidad para highVar fue impulsada principalmente por calificaciones significativamente más altas en la facilidad de uso percibida y una tendencia positiva en la respuesta emocional. La utilidad percibida, que se correlacionó con el éxito de la tarea, no mostró diferencias significativas entre los modos asistidos.

Significancia y Reivindicaciones

El artículo sostiene que preservar la variabilidad del movimiento estructurada e irrelevante para la tarea es un principio de diseño crítico para la pHMI centrada en el humano. Los hallazgos sugieren que:

• La Experiencia es Distinta del Rendimiento: Las políticas de control pueden ser experencialmente distintas incluso cuando producen resultados de tarea objetivos idénticos.
• Mejora de la Usabilidad: El control consciente de la variabilidad mejora la usabilidad percibida, específicamente la "facilidad de uso" y la calidad emocional de la interacción, probablemente al alinear la dinámica del sistema con los modelos motores internos y las predicciones sensoriomotoras naturales del usuario.
• Implicaciones de Diseño: Para sistemas estrechamente acoplados, especialmente en dominios como la salud y la rehabilitación donde la aceptación a largo plazo es vital, las estrategias de control no deben limitarse a minimizar el error, sino que deben respetar la estructura estadística del movimiento humano. Este enfoque permite un fuerte soporte de la tarea mientras preserva el rol activo y autoatribuido del usuario en la colaboración.

Los autores concluyen que el control consciente de la variabilidad debe considerarse no como un refinamiento opcional, sino como un principio de diseño deliberado para lograr tanto la efectividad como la calidad de interacción sostenida en los sistemas humano-máquina.