⚡ electrical engineering

Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

Questo studio analizza empiricamente la relazione tra la cinetica dell'interazione robot-pedone e il comfort soggettivo, proponendo un modello predittivo composito che integra diverse variabili cinematiche per quantificare il benessere dei pedoni e migliorare la conformità sociale dei robot mobili.

Autori originali: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Pubblicato 2026-04-16

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🤖 Il Robot "Gentiluomo" e il suo Dilemma

Immagina che i robot stiano iniziando a camminare per le nostre strade, come dei nuovi pedoni metallici. Il problema? Spesso ci fanno sentire a disagio. Se un robot ti passa troppo vicino o si muove in modo strano, potresti sentire un brivido di ansia, anche se sai che non ti farà male fisicamente.

Fino a oggi, gli ingegneri si sono preoccupati solo di una cosa: "Il robot mi schiaccerà?" (Sicurezza oggettiva). Hanno costruito algoritmi per evitare collisioni, come se il robot fosse un'auto che deve solo non urtare i pedoni.

Ma questo paper si chiede: "Il robot mi sta facendo sentire a mio agio?" (Comfort soggettivo). È come la differenza tra un guidatore che rispetta il limite di velocità (sicuro) e uno che guida in modo fluido, rispettando lo spazio personale degli altri, senza farti sentire in pericolo o invaso (comodo).

📏 La Misura dell'Invasione di Spazio

Gli autori hanno fatto un esperimento in un corridoio. Hanno messo un robot (un piccolo veicolo Agilex Scout Mini) e delle persone vere. Il robot si avvicinava alle persone, le superava e se ne andava. Le persone dovevano dire: "Quanto mi sono sentito a mio agio?" su una scala da 1 (terrore) a 5 (rilassato).

Hanno misurato sei cose diverse mentre il robot si muoveva, come se fossero gli ingredienti di una ricetta per il comfort:

Velocità: Quanto correva il robot? (Più veloce = più ansia).
Distanza Minima: Quanto si è avvicinato di punto? (La classica "distanza di sicurezza").
Distanza Laterale: Quanto si è avvicinato di lato? (Come quando qualcuno ti passa troppo stretto mentre cammini).
Curvatura: Il robot girava in modo fluido o faceva svolte a gomito?
Tempo di Collisione (PTTC): Questa è la "perla" della ricerca. È un calcolo che dice: "Se continuiamo così, tra quanto tempo ci scontreremmo?". È come guardare il semaforo: se è verde ma sta per diventare rosso tra 2 secondi, sei nervoso. Se è verde e ne mancano 10, sei tranquillo.
Distanza al momento del PTTC: Quanto eravamo vicini proprio in quel momento critico?

🔍 Cosa hanno scoperto? (La Magia dei Dati)

Hanno analizzato i dati e scoperto alcune cose interessanti:

La distanza non è tutto: Tutti pensano che basti stare lontani per essere comodi. Invece, la velocità e il tempo di collisione (PTTC) contano moltissimo. Un robot lento che passa vicino può essere meno spaventoso di un robot veloce che passa lontano.
Il "Tempo di Collisione" è il re: La variabile che meglio prevedeva se una persona si sentiva a suo agio era proprio il PTTC. È come se il nostro cervello calcoli inconsciamente: "Quanto tempo ho per reagire se quel robot impazzisce?". Più tempo abbiamo, più siamo tranquilli.
La curva perfetta: Anche come il robot gira conta. Le curve troppo strette spaventano, quelle troppo ampie sembrano lente e innaturali. C'è una "zona d'oro" di curvatura che piace a tutti.

🧠 Il "Cristallo Magico" (Il Predittore Composito)

Qui arriva la parte geniale. Gli ingegneri hanno creato tre "oracoli" (predittori) per capire se un robot sta facendo un buon lavoro:

L'Oracolo della Distanza: Guarda solo quanto il robot è vicino. (Vecchio metodo, un po' limitato).
L'Oracolo del Tempo: Guarda solo il tempo di collisione. (Migliore, perché è più preciso).
L'Oracolo Composito (Il Vincitore): Questo è il "super-eroe". Guarda tutte le cose insieme: velocità, distanza, curvatura, tempo, ecc.

Il risultato? L'Oracolo Composito è stato il migliore.
Hanno detto: "Quando questo sistema dice che il robot sta facendo un buon lavoro, ha il 3,67 volte più probabilità di avere ragione rispetto agli altri metodi".

Immagina di avere un amico che ti dice: "Non preoccuparti, quel robot è gentile". Se è il tuo amico "Composito", puoi fidarti di lui quasi 4 volte di più rispetto a un amico che guarda solo la distanza.

🚀 Perché è importante?

Prima, i robot pianificavano i percorsi pensando solo a: "Come evito di sbattere?".
Ora, grazie a questo studio, i robot possono pensare: "Come evito di sbattere E come faccio a non spaventare la gente?".

È come se il robot imparasse l'etichetta sociale. Invece di essere un'auto che corre e svetta, diventerà un pedone educato che sa quando rallentare, quando allargarsi e come muoversi per non far sentire nessuno a disagio.

In sintesi

Questo paper ci dice che per far convivere robot e umani, non basta essere sicuri (non fare male); bisogna essere gentili (non spaventare). Hanno scoperto che il modo migliore per misurare questa gentilezza non è guardare solo la distanza, ma capire quanto tempo abbiamo per reagire e come ci muoviamo insieme. Hanno creato un "sesto senso" matematico che permette ai robot di diventare veri compagni di strada, non solo macchine fredde.

Titolo

Predizione Empirica del Comfort dei Pedoni negli Incontri tra Robot Mobili e Pedoni

1. Problema e Contesto

I robot mobili stanno entrando sempre più negli spazi pubblici (marciapiedi, ospedali, aeroporti), generando preoccupazioni relative al disagio, all'ansia e all'etica. Sebbene la maggior parte degli algoritmi di pianificazione del percorso (path planning) priorizzi la sicurezza oggettiva (evitare collisioni), trascurano spesso la sicurezza soggettiva o il comfort del pedone.
La sfida principale risiede nella quantificazione delle emozioni umane e dell'ansia. Senza una metrica per il comfort, i robot non possono prevedere le risposte umane o pianificare percorsi socialmente accettabili, rischiando di generare comportamenti socialmente goffi. La ricerca attuale si concentra prevalentemente sulla distanza minima, ignorando altre variabili cinematiche cruciali come velocità, distanza laterale, tempo di collisione proiettato (PTTC) e curvatura della traiettoria.

2. Metodologia

Gli autori hanno condotto uno studio empirico per analizzare la relazione tra le variabili cinematiche dell'interazione robot-pedone e il comfort soggettivo riportato.

Setup Sperimentale:
- Robot: Agilex Scout Mini (base mobile) equipaggiato con telecamera di profondità (Zedx), LiDAR 3D e LiDAR 2D per la sicurezza.
- Ambiente: Un corridoio largo 3,2 metri.
- Partecipanti: 32 volontari (22 maschi, 10 femmine, età media 25,7 anni).
- Procedura: Ogni partecipante ha completato 5 prove in cui il robot si muoveva verso di loro, li superava e tornava indietro.
- Condizioni di Velocità: Due velocità costanti sono state testate per spingere i partecipanti ai loro limiti di comfort: 1,4 m/s (R14) e 2,8 m/s (R28). I partecipanti credevano che il robot fosse autonomo, mentre era controllato a distanza.
- Raccolta Dati: I partecipanti hanno valutato il proprio comfort su una scala Likert da 1 (molto pericoloso) a 5 (molto confortevole) dopo ogni prova.
Variabili Cinematiche Analizzate:
Sono state studiate sei variabili chiave:
1. Velocità del robot ( $v$ ).
2. Distanza minima ( $D_{min}$ ): Distanza euclidea minima tra robot e pedone.
3. Distanza laterale ( $D_{lat}$ ): Distanza perpendicolare al momento del sorpasso.
4. Curvatura massima ( $\rho$ ): Curvatura massima della traiettoria del robot.
5. PTTC minimo ( $T_p$ ): Tempo di collisione proiettato minimo (indicatore di sicurezza temporale).
6. Distanza al PTTC minimo ( $D_{Tp}$ ): Distanza tra robot e pedone al momento del $T_p$ minimo.
Analisi Statistica:
È stata utilizzata la correlazione di distanza (dCor) con test di permutazione (1000 iterazioni) per gestire dati non normali e relazioni non monotone, evitando assunzioni di intervallo uguale nelle scale ordinali.

3. Risultati Chiave

Correlazioni con il Comfort:
L'analisi statistica ha rivelato correlazioni moderate ma significative per la maggior parte delle variabili:
- PTTC Minimo ( $T_p$ ): Ha mostrato la correlazione più forte con il comfort ($dCor = 0.269, p = 0.002$). Un $T_p$ più alto (più tempo prima di una potenziale collisione) corrisponde a un maggiore comfort.
- Distanza Minima ( $D_{min}$ ) e Velocità ( $v$ ): Hanno mostrato correlazioni significative ( $dCor \approx 0.21$ ). Il comfort diminuisce all'aumentare della velocità e aumenta con la distanza minima. È stato identificato una soglia critica di circa 0,5 m per la distanza minima.
- Distanza Laterale ( $D_{lat}$ ) e Curvatura ( $\rho$ ): Hanno mostrato correlazioni deboli o non statisticamente significative, sebbene i grafici suggeriscano trend a "U invertita" (un valore ottimale esiste, ad esempio $0.75-1.0$ m per la distanza laterale e $0.8-1.2$ $m^{-1}$ per la curvatura).
- Distanza al PTTC Minimo ( $D_{Tp}$ ): Ha mostrato una correlazione significativa ( $p=0.033$ ) con un trend a "U invertita".
Adattamento dei Partecipanti:
Non è stata riscontrata alcuna evidenza statistica che i partecipanti si siano "adattati" al setup sperimentale nelle prove consecutive; il comfort è rimasto stabile o leggermente diminuito/aumentato in modo non significativo.

4. Contributi Principali: Predittori di Comfort

Sulla base dei dati empirici, gli autori hanno progettato tre stimatori (predittori) binari per classificare un pedone come "comodo" (punteggio $\ge 4$ ) o "scomodo".

Predittore basato sulla Distanza Minima ( $\hat{S}_d$ ): Utilizza solo $D_{min}$ (soglia $\ge 1.0$ m). È il metodo più comune nella letteratura, ma ha le prestazioni più basse tra i tre.
Predittore basato sul PTTC ( $\hat{S}_t$ ): Utilizza solo $T_p$ (soglia $\ge 0.7$ s). Nonostante la forte correlazione lineare, le prestazioni di classificazione sono moderate a causa della binarizzazione manuale.
Predittore Composito ( $\hat{S}_E$ ): Combina tutte e sei le variabili cinematiche assegnando pesi ai diversi "bin" (intervalli) di ogni variabile basandosi sull'analisi visiva dei dati.

Prestazioni dei Predittori:
Il predittore composito ( $\hat{S}_E$ ) ha superato tutti gli altri indicatori:

F1 Score: 0.723 (vs 0.599 per la distanza e 0.467 per il PTTC).
Odds Ratio: 3.67. Questo significa che quando il predittore composito identifica un pedone come "comodo", è quasi 4 volte più probabile che il pedone sia effettivamente comodo rispetto a quando il predittore non lo segnala.
Accuratezza e Precisione: Superiori rispetto ai predittori a variabile singola.

5. Significato e Implicazioni

Questo studio fornisce un framework quantitativo per integrare le emozioni umane nella pianificazione del percorso dei robot.

Superamento della sola sicurezza oggettiva: Dimostra che la sicurezza oggettiva (distanza) non è l'unico fattore; variabili temporali come il PTTC sono cruciali per il comfort soggettivo.
Integrazione negli Algoritmi: Il predittore composito può essere utilizzato come funzione di costo o reward negli algoritmi di pianificazione (es. Reinforcement Learning). I robot possono quindi assegnare punteggi più alti ai percorsi che il modello stima come confortevoli, generando movimenti più socialmente compliant.
Limitazioni e Futuro: Lo studio è limitato a un corridoio controllato, velocità discrete e un campione di volontari con bias positivo. I lavori futuri mirano a testare il modello in ambienti più diversificati, con popolazioni più ampie e diverse, e ad applicare il predittore in scenari di robotica completamente autonoma.

In sintesi, il paper stabilisce che l'uso combinato di variabili cinematiche spaziali e temporali, in particolare il PTTC, offre la migliore previsione del comfort umano, permettendo ai robot mobili di interagire in modo più empatico e socialmente accettabile.