Technische Samenvatting: Wederzijdse Adaptatie bij Co-transport door Mens en Robot met Onzekerheid in Menselijke Voorkeuren

Probleemstelling

Het artikel behandelt de uitdagingen van co-transport door mens en robot, specifiek gericht op scenario's waarin een mens en een robot gezamenlijk een object door obstakelopeningen naar een doel navigeren. Het kernprobleem ligt in de onzekerheid van menselijke voorkeursparameters en de moeilijkheid van het balanceren van adaptatiestrategieën.

Traditionele benaderingen vertrouwen vaak op vaste parameters om menselijk gedrag te modelleren, wat faalt in het rekening houden met individuele variaties en fluctuaties in risicoperceptie en afstandssensitiviteit. Bovendien richten bestaande collaboratiemodellen zich vaak op statische, eenmalige interacties of eenzijdig-richting adaptatie (ofwel de robot die zich aanpast aan de mens, ofwel de mens die zich aanpast aan de robot), in plaats van dynamische, wederzijdse adaptatie in evoluerende omgevingen. De auteurs identificeren drie specifieke hiaten:

1. Het ontbreken van modellen die de onzekerheden in menselijke besluitvorming kwantificeren die voortvloeien uit subjectieve voorkeursparameters.
2. De afwezigheid van mechanismen voor dynamische rolwisseling (wie het team leidt) op basis van menselijke weerstand tegen het plan van de robot.
3. Onvoldoende laag-niveau bestuursstrategieën om de impact van onzekere menselijke keuzes te mitigeren wanneer de mens leidt.

Methodologie

De auteurs stellen een verenigd framework voor dat bestaat uit drie onderling verbonden modules, die elk een specifieke hypothese adresseren met betrekking tot menselijke voorkeursonzekerheid, wederzijdse adaptatie en laag-niveau besturing.

1. Menselijk Voorkeursmodel met Parameteronzekerheid (H1)

In plaats van uit te gaan van vaste menselijke parameters, modelleren de auteurs menselijke besluitvorming als een waarschijnlijkheidsverdeling.

• Subjectieve Kosten: Ze definiëren een subjectieve kostenfunctie $\hat{J}_o(\alpha, \gamma)$ gebaseerd op de Prelec-waarschijnlijkheidswegingsfunctie (voor risicoperceptie, parameter $\gamma$) en de Stevens' machtswet (voor afstandsperceptie, parameter $\alpha$).
• Onzekerheidsmodellering: Parameters $\alpha$ en $\gamma$ worden behandeld als onafhankelijke variabelen die een uniforme verdeling volgen ($\alpha \sim U(0.55, 0.95)$, $\gamma \sim U(0.5, 1.1)$).
• Keuzeverdeling: Door te integreren over de parameterruimte, berekent het model de waarschijnlijkheid $P_o$ dat een mens een specifieke padoptie $o$ zal kiezen. Dit zet parameteronzekerheid om in een keuzeverdeling, waardoor de robot een reeks menselijke voorkeuren kan anticiperen in plaats van één deterministisch pad.

2. Coöperatieve Padplanning via Tijdvariërende Koppigheid (H2)

Om de overgang tussen robot-geleid en mens-geleid modus te beheren, introduceert het framework een tijdvariërende koppigheidsmaat $\phi(k)$.

• Accumulatie van Ongemak: De maat groeit exponentieel op basis van de accumulatie van "ongemak" $g(k)$, wat optreedt wanneer de beweging van het team afwijkt van de probabilistische voorkeuren van de mens.
• Modusovergang:
  • Robot-leidende Modus ($\phi(k) \le 1$): De robot selecteert een pad dat zijn objectieve kosten balanceert met de benaderde menselijke subjectieve kosten. Het gewicht van de menselijke kosten neemt toe naarmate $\phi(k)$ de 1 nadert.
  • Mens-leidende Modus ($\phi(k) > 1$): Zodra de koppigheid van de mens een drempelwaarde (1) overschrijdt, geeft de robot de controle over en volgt de mens.
• Dynamische Adaptatie: Dit mechanisme maakt het mogelijk dat het team begint met robotbegeleiding, maar overgaat naar menselijk leiderschap als de mens consistent weerstand biedt aan het plan van de robot, waardoor wederzijdse adaptatie wordt bereikt.

3. Laag-niveau Besturing via Pose-optimalisatie (H3)

Wanneer de robot in de mens-leidende modus is, moet deze zich voorbereiden op meerdere potentiële menselijke keuzes zonder precies te weten welk pad de mens zal nemen.

• Redundantie-resolutie: De robot maakt gebruik van de redundantie van zijn manipulatorarm.
• Probabilistische Pose-optimalisatie: Het systeem lost een optimalisatieprobleem op om een gewrichtsconfiguratie $q^*$ te selecteren die de waarschijnlijkheid-gewogen som van de Model Predictive Control (MPC) kosten over alle mogelijke padopties minimaliseert.
• Doelstelling: Deze proactieve aanpassing zorgt ervoor dat de robot gunstige kinematische configuraties behoudt om onverwachte wisselingen tussen padopties op te vangen, waardoor de besturingseffort en volgfouten worden verminderd.

Belangrijkste Bijdragen

1. Probabilistisch Menselijk Voorkeursmodel: Een wiskundig framework dat de onzekerheden in menselijke risico- en afstandsperceptieparameters vastlegt en een waarschijnlijkheidsverdeling van menselijke keuzes genereert in plaats van te vertrouwen op vaste waarden.
2. Wederzijdse Adaptatie via Koppigheid: Een coördinatiemodel dat een tijdvariërende koppigheidsmaat gebruikt om dynamisch te schakelen tussen robot-leidende en mens-leidende modi, waardoor het team kan adapteren aan menselijke weerstand in de loop van de tijd.
3. Pose-optimalisatie voor Onzekerheid: Een laag-niveau besturingsstrategie die de waarschijnlijkheidsverdeling van menselijke keuzes gebruikt om de gewrichtsconfiguratie van de robot te optimaliseren, waardoor de impact van onzekere menselijke beslissingen tijdens mens-geleid transport wordt gemitigeerd.

Experimentele Resultaten

Het framework werd gevalideerd via menselijke deelnemersstudies en simulaties:

• Validatie van H1 (Voorkeursmodel): Experimenten met 20 deelnemers in vier verschillende obstakelomgevingen toonden aan dat het voorgestelde probabilistische model accuraat de rangorde van door mensen gekozen padopties vastlegde. Het model voorspelde succesvol de waarschijnlijkheid dat mensen zouden kiezen voor veiligere maar langere paden versus riskantere, kortere paden.
• Validatie van H2 (Wederzijdse Adaptatie): Simulaties die het voorgestelde modus-schakelmechanisme vergeleken met een vaste-modus baseline (waarbij de robot altijd leidt of altijd volgt) toonden aan dat de adaptieve aanpak consequent lagere totale objectieve kosten behaalde. De resultaten gaven aan dat de robot de mens succesvol naar efficiëntere paden kon leiden voordat de mens voldoende koppig werd om een moduswissel af te dwingen.
• Validatie van H3 (Pose-optimalisatie): Simulatie-resultaten over diverse parameterinstellingen toonden aan dat het inschakelen van pose-optimalisatie in de mens-leidende modus de totale robotbesturingskosten (volgfout en besturingseffort) aanzienlijk verminderde in vergelijking met een baseline zonder pose-optimalisatie. Dit bevestigde dat het voorbereiden op meerdere potentiële menselijke keuzes de laag-niveau besturingsprestaties verbetert.

Betekenis en Claims

Het artikel claimt dat de primaire betekenis ligt in het bieden van een verenigde aanpak die menselijke modellering integreert met onzekere parameters, wederzijdse adaptatiestrategieën en laag-niveau besturingoptimalisatie.

• Adresseren van Onzekerheid: Het werk gaat verder dan deterministische menselijke modellering door te erkennen dat menselijke parameters variëren en fluctueren, en biedt een mechanisme om dit via waarschijnlijkheidsverdelingen te hanteren.
• Balanceren van Adaptatie: Het biedt een oplossing voor de afweging tussen robot-efficiëntie en menselijke voorkeur, waardoor de robot kan leiden wanneer dat gunstig is, maar toegeeft wanneer menselijke weerstand (koppigheid) aangeeft dat menselijk leiderschap nodig is.
• Proactieve Besturing: Door de onzekerheid in menselijke intentie op hoog niveau te koppelen aan de laag-niveau gewrichtsconfiguratie, mitigeert het systeem proactief de risico's van onverwacht menselijk gedrag, wat zorgt voor een veiligere en vloeiendere co-transport.

De auteurs merken beperkingen op, specifisch dat hun menselijke feedback werd verzameld via statische afbeeldingen en video's in plaats van fysieke interactie, en toekomstig werk zal gericht zijn op het uitbreiden van het framework naar fysieke co-transportstudies en multi-robot scenario's.