Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

यहाँ शोध पत्र "Empirical Prediction of Pedestrian Comfort in Mobile Robot–Pedestrian Encounters" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मोबाइल रोबोट तेजी से सार्वजनिक स्थानों (फुटपाथ, अस्पताल, हवाई अड्डे) में प्रवेश कर रहे हैं, फिर भी वर्तमान पथ-नियोजन (path-planning) एल्गोरिदम वस्तुनिष्ठ सुरक्षा (टक्कर से बचाव) को व्यक्तिगत सुरक्षा (पैदल यात्री का आराम/सुविधा) पर प्राथमिकता देते हैं।

• अंतराल (The Gap): जबकि टक्कर से बचाव का अध्ययन व्यापक रूप से किया जा चुका है, मानवीय भावनाओं और चिंता को मापने के लिए एक "सामाजिक रूप से अनुपालन करने वाला" (socially compliant) पथ उत्पन्न करना एक बड़ी चुनौती बनी हुई है।
• वर्तमान दृष्टिकोणों की सीमाएँ: अधिकांश मौजूदा विधियाँ मुख्य रूप से न्यूनतम दूरी (proxemics) और कम गति वाले इंटरैक्शन पर निर्भर करती हैं। वे अक्सर अन्य महत्वपूर्ण गतिक चर (kinematic variables) जैसे कि रोबोट की गति, पार्श्व दूरी (lateral distance), प्रक्षेपवक्र वक्रता (trajectory curvature), और समय संबंधी मेट्रिक्स जैसे कि 'टाइम-टू-कोलिजन' (TTC) की उपेक्षा करते हैं।
• लक्ष्य: रोबोट-पैदल यात्री इंटरैक्शन के गतिक विज्ञान (kinematics) और व्यक्तिपरक पैदल यात्री आराम (subjective comfort) के बीच के संबंध को अनुभवजन्य रूप से मात्रात्मक रूप से निर्धारित करना, और ऐसे भविष्य कहने वाले मॉडल विकसित करना जिन्हें पथ नियोजकों (path planners) में एकीकृत किया जा सके।

2. कार्यप्रणाली (Methodology)

A. प्रयोगात्मक सेटअप (Experimental Setup)

• प्लेटफ़ॉर्म: एक एगिलेक्स स्काउट मिनी (Agilex Scout Mini) मोबाइल रोबोट जो मेकेनम व्हील्स (Mecanum wheels) से सुसज्जित है (एक नॉन-होलोनोमिक डिफरेंशियल-ड्राइव रोबोट के रूप में कॉन्फ़िगर किया गया), एक Zedx डेप्थ कैमरा, 3D LiDAR, और एक Nvidia Jetson AGX Orin से लैस है।
• वातावरण: एक 3.2 मीटर चौड़ा गलियारा।
• प्रतिभागी: 32 स्वयंसेवक (22 पुरुष, 10 महिला; आयु 23–41)।
• प्रक्रिया:
  • प्रतिभागियों ने रोबोट की ओर सहजता से चलते हुए कदम बढ़ाए।
  • रोबोट उनके सामने से आया, पैदल यात्री के पास से गुजरा, और केंद्र में वापस आ गया।
  • गति की स्थितियाँ: दो स्थिर गतियों का परीक्षण किया गया: 1.4 m/s (R14) और 2.8 m/s (R28)। उच्च गति का चयन इसलिए किया गया ताकि मानव खतरे की व्याख्या में यादृच्छिकता (randomness) को कम किया जा सके।
  • डेटा संग्रह: प्रत्येक प्रतिभागी ने 5 परीक्षण (trials) पूरे किए। कुल वैध परीक्षण: 158 (सेंसर विफलताओं वाले डेटा को हटाने के बाद)।
  • फीडबैक: प्रतिभागियों ने प्रत्येक परीक्षण के बाद 1–5 लिकर्ट स्केल (1 = सबसे खतरनाक, 5 = सबसे आरामदायक) पर अपने आराम को रेट किया।

B. अध्ययन किए गए गतिक चर (Kinematic Variables Studied)

अध्ययन ने रोबोट के प्रक्षेपवक्र (trajectory) और सापेक्ष गति से निकाले गए छह विशिष्ट गतिक चरों का विश्लेषण किया:

1. रोबोट की गति ($v$): परीक्षण के दौरान निरंतर गति।
2. न्यूनतम दूरी ($D_{min}$): रोबोट और पैदल यात्री के बीच की न्यूनतम यूक्लिडियन दूरी।
3. पार्श्व दूरी ($D_{lat}$): गुजरते समय लंबवत (perpendicular) दूरी।
4. अधिकतम वक्रता ($\rho$): रोबोट के प्रक्षेपवक्र में सबसे तीखा मोड़ ($\rho = 1/r$)।
5. न्यूनतम अनुमानित टाइम-टू-कोलिजन ($T_p$): इंटरैक्शन के दौरान PTTC का सबसे निचला मान।
6. न्यूनतम PTTC पर दूरी ($D_{TP}$): ठीक उस क्षण की दूरी जब $T_p$ घटित होता है।

C. सांख्यिकीय विश्लेषण (Statistical Analysis)

• सहसंबंध (Correlation): गैर-रैखिक और गैर-मोनोटोनिक संबंधों का पता लगाने के लिए बिना सामान्यता (normality) की धारणा के डिस्टेंस कोरिलेशन (dCor) का उपयोग किया गया।
• भविदर्शक डिज़ाइन (Predictor Design): तीन बाइनरी क्लासिफायर बनाए गए (Comfort = 1 यदि रेटिंग $\ge$ 4, अन्यथा 0) जो निम्नलिखित पर आधारित थे:
  1. न्यूनतम दूरी प्रेडिक्टर ($\hat{S}_d$): $D_{min} \ge 1.0$m पर थ्रेसहोल्ड किया गया।
  2. PTTC प्रेडिक्टर ($\hat{S}_t$): $T_p \ge 0.7$s पर थ्रेसहोल्ड किया गया।
  3. कंपोजिट प्रेडिक्टर ($\hat{S}_E$): सभी छह चरों के बिन (bins) का भारित योग (weighted sum)।

3. मुख्य परिणाम (Key Results)

A. सहसंबंध विश्लेषण (Correlation Analysis)

सांख्यिकीय विश्लेषण ने गतिक चरों और व्यक्तिपरक आराम के बीच संबंध की शक्ति को प्रकट किया:

1. सबसे मजबूत सहसंबंध: न्यूनतम PTTC ($T_p$) ($dCor = 0.269, p=0.002$)। लंबा टाइम-टू-कोलिजन उच्च आराम के साथ मजबूती से सहसंबंधित है।
2. मजबूत सहसंबंध: रोबोट की गति ($v$) और न्यूनतम दूरी ($D_{min}$) ($dCor \approx 0.21$)। उच्च गति और कम दूरी आराम को कम करती है।
3. मध्यम/महत्वपूर्ण: न्यूनतम PTTC पर दूरी ($D_{TP}$) ($dCor = 0.196, p=0.033$)।
4. कमजोर/अमहत्वपूर्ण: पार्श्व दूरी ($D_{lat}$) और अधिकतम वक्रता ($\rho$)। हालांकि दृश्य रुझानों ने एक "उल्टा U" आकार का सुझाव दिया (इष्टतम मान मौजूद हैं), सांख्यिकीय महत्व कम था, जो संभवतः नमूना आकार या प्रयोगात्मक बाधाओं के कारण था।

B. प्रेडिक्टर प्रदर्शन (Predictor Performance)

अध्ययन ने सटीकता (Accuracy), परिशुद्धता (Precision), रिकॉल (Recall), विशिष्टता (Specificity) और F1 स्कोर का उपयोग करके तीन अनुमानकों (estimators) की तुलना की।

मेट्रिक	कंपोजिट ($\hat{S}_E$)	मिन डिस्टेंस ($\hat{S}_d$)	मिन PTTC ($\hat{S}_t$)
Accuracy	0.662	0.566	0.497
Precision	0.674	0.495	0.337
Recall	0.781	0.758	0.762
Specificity	0.508	0.422	0.388
F1 Score	0.723	0.599	0.467
Odds Ratio	3.67	2.28	2.03

• मुख्य निष्कर्ष: कंपोजिट प्रेडिक्टर ($\hat{S}_E$) एकल-चर प्रेडिक्टर्स की तुलना में काफी बेहतर रहा।
• ऑड्स रेशियो (Odds Ratio) व्याख्या: जब कंपोजिट प्रेडिक्टर किसी पैदल यात्री को "आरामदायक" (comfortable) के रूप में पहचानता है, तो वास्तव में पैदल यात्री के आरामदायक होने की संभावना 3.67 गुना अधिक होती है, तुलनात्मक रूप से तब जब प्रेडिक्टर उन्हें फ्लैग नहीं करता है। यह मानक न्यूनतम दूरी मीट्रिक के प्रदर्शन से लगभग दोगुना है।

4. मुख्य योगदान (Key Contributions)

1. अनुभवजन्य गतिक विश्लेषण: यह शोध पारंपरिक रूप से केवल न्यूनतम दूरी पर निर्भर रहने के बजाय छह गतिक चरों का एक व्यापक सांख्यिकीय मूल्यांकन प्रदान करता है। यह रेखांकित करता है कि PTTC आराम के लिए सबसे महत्वपूर्ण अस्थायी संकेतक है।
2. नया कंपोजिट एस्टीमेटर: एक बहु-चर आराम प्रेडिक्टर का विकास जो स्थानिक (spatial), अस्थायी (temporal) और व्यवहार संबंधी मेट्रिक्स को जोड़ता है। यह मॉडल उच्चतम F1 स्कोर (0.723) और ऑड्स रेशियो (3.67) प्राप्त करता है।
3. मात्रात्मक ढांचा (Quantification Framework): व्यक्तिपरक मानवीय भावनाओं को एक मापने योग्य मीट्रिक में बदलने का एक ठोस तरीका प्रदान करता है जिसे सीधे रोबोट के पथ नियोजन (जैसे, सुदृढीकरण शिक्षण/Reinforcement Learning में) के लिए लागत कार्यों (cost functions) में एकीकृत किया जा सकता है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

• सामाजिक अनुपालन (Social Compliance): यह शोध मोबाइल रोबोटों को न केवल सुरक्षित रूप से, बल्कि आराम से चलने में सक्षम बनाता है, जिससे चिंता कम होती है और सार्वजनिक स्थानों में सामाजिक स्वीकृति में सुधार होता है।
• एल्गोरिद्मिक एकीकरण: पथ नियोजक अब कंपोजिट एस्टीमेटर को एक रिवॉर्ड फंक्शन के रूप में उपयोग कर सकते हैं, जो उन प्रक्षेपवक्रों को दंडित करता है जिनके परिणामस्वरूप कम आराम स्कोर मिलता है, भले ही वे टक्कर-मुक्त हों।
• सीमाएँ और भविष्य की दिशाएँ:
  • सीमाएँ: छोटा नमूना आकार, संभावित स्वयंसेवक पूर्वाग्रह (रोबोट के प्रति सकारात्मक दृष्टिकोण), मैनुअल बिनिंग पर निर्भरता, और रिमोट-कंट्रोल रोबोट का उपयोग।
  • भविष्य का कार्य: मॉडल को विविध वातावरणों और जनसांख्यिकी तक विस्तारित करना, प्रेडिक्टर को पूरी तरह से स्वायत्त पथ-नियोजन ढांचे में एकीकृत करना, और कम्फर्ट प्रेडिक्टर्स को स्वचालित करने के लिए बड़े पैमाने के प्रक्षेपवक्र डेटासेट पर मशीन लर्निंग का उपयोग करना।

निष्कर्ष: यह अध्ययन प्रदर्शित करता है कि जबकि न्यूनतम दूरी एक आवश्यक कारक है, यह पैदल यात्री के आराम की भविष्यवाणी करने के लिए पर्याप्त नहीं है। प्रोजेक्टेड टाइम-टू-कोलिजन (PTTC) और अन्य गतिक चरों को शामिल करने वाला एक कंपोजिट दृष्टिकोण मोबाइल रोबोट नेविगेशन के लिए एक काफी अधिक सटीक और सामाजिक रूप से अनुपालन करने वाला मीट्रिक प्रदान करता है।