Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

Probleemstelling

Mobiele robots die openbare ruimtes zoals stoepen betreden, moeten rekening houden met het comfort van voetgangers. Bestaande onderzoek en algoritmen voor botsingsvermijding focussen voornamelijk op objectieve veiligheid (het voorkomen van fysieke botsingen), maar negeren vaak de subjectieve veiligheid en het comfort van de mens. Het kwantificeren van menselijke emoties en angst is een grote uitdaging die robots belemmert om sociaal acceptabele paden te plannen. Zonder deze nuance gedragen robots zich sociaal onhandig, wat ongemak en angst bij voetgangers veroorzaakt. Er is een gebrek aan empirisch onderzoek naar de relatie tussen kinematische variabelen (bewegingspatronen) en het subjectieve comfort, vooral bij hogere snelheden en met variabelen zoals tijd tot botsing en kromming.

Methodologie

De auteurs hebben een empirische studie uitgevoerd in een hal-omgeving om de relatie tussen robot-pedestriane interactie en comfort te analyseren.

• Opstelling: Er werd gebruikgemaakt van een Agilex Scout Mini mobiele robot, uitgerust met een 3D LiDAR, een 2D LiDAR (voor noodstop), een Zedx dieptecamera en een Nvidia Jetson AGX Orin verwerkingseenheid.
• Proefpersonen: 32 vrijwilligers (22 mannen, 10 vrouwen, leeftijd 23-41 jaar) namen deel. Deelnemers liepen casual door een 3,2 meter brede hal terwijl de robot hen passeerde.
• Experimenteel Ontwerp:
  • Elke deelnemer deed mee aan vijf trials.
  • Twee snelheidscondities werden getest: R14 (constante snelheid 1,4 m/s) en R28 (constante snelheid 2,8 m/s).
  • De robot werd bediend door een operator (verwijderd van de deelnemers) die de robot naar het einde van de hal stuurde en terugkeerde, waarbij de robot uitweken voor de voetganger.
  • Na elke trial rapporteerden deelnemers hun comfortniveau op een Likert-schaal van 1 tot 5 (1 = zeer ongemakkelijk/gevaarlijk, 5 = zeer comfortabel).
• Kinematische Variabelen: Er werden zes objectieve variabelen gemeten en geanalyseerd:
  1. Snelheid van de robot ($v$).
  2. Minimale afstand ($D_{min}$).
  3. Laterale afstand ($D_{lat}$).
  4. Maximale kromming van de traject ($\rho$).
  5. Minimale Projected Time-to-Collision ($T_p$).
  6. Afstand op het moment van minimale $T_p$ ($D_{Tp}$).
• Statistische Analyse: Er werd gebruikgemaakt van afstandscorrelatie (dCor) met permutatietests (1000 iteraties) om niet-lineaire en niet-monotone relaties te detecteren zonder normaliteitsaannames.

Kernresultaten

De statistische analyse van de gerapporteerde comfortniveaus versus de kinematische variabelen leverde de volgende inzichten op:

1. Sterkste Correlatie: De minimale Projected Time-to-Collision ($T_p$) toonde de sterkste correlatie met het subjectieve comfort ($dCor = 0,269, p = 0,002$). Een langere $T_p$ (meer tijd tot een potentiële botsing) leidt tot meer comfort.
2. Andere Significante Variabelen:
   • Snelheid ($v$): Hogere snelheid leidt tot minder comfort ($dCor = 0,214, p < 0,001$).
   • Minimale Afstand ($D_{min}$): Een grotere afstand leidt tot meer comfort, met een scherpe stijging in comfort rond de 0,5 meter drempel ($dCor = 0,219, p < 0,011$).
   • Afstand bij minimale $T_p$ ($D_{Tp}$): Toont een significant, maar zwakker verband ($dCor = 0,196, p = 0,033$) met een omgekeerde U-vormige trend (optimaal comfort bij 1,0–1,5 m).
3. Niet-Significante Variabelen:
   • Laterale afstand ($D_{lat}$) en Maximale kromming ($\rho$) toonden geen statistisch significante correlatie, hoewel er visuele trends waren (bijv. een omgekeerde U-vorm voor kromming, wat suggereert dat een gematigde kromming het beste is).
4. Predictor Prestaties: Drie schatters (predictors) werden ontworpen om comfort te voorspellen (binair: comfortabel vs. oncomfortabel):
   • Minimale Afstand Predictor ($\hat{S}_d$): Gebaseerd op $D_{min} \ge 1,0$ m.
   • PTTC Predictor ($\hat{S}_t$): Gebaseerd op $T_p \ge 0,7$ s.
   • Composiet Predictor ($\hat{S}_E$): Combineert alle zes variabelen met gewichten toegekend aan verschillende bins.

Vergelijking van Predictors:
De composiet predictor presteerde het beste.

• F1-score: 0,723 (tegenover 0,599 voor afstand en 0,467 voor PTTC).
• Kansratio (Odds Ratio): De composiet predictor heeft een odds ratio van 3,67. Dit betekent dat wanneer de predictor een voetganger als "comfortabel" classificeert, de kans dat de voetganger inderdaad comfortabel is, bijna 4 keer zo groot is als wanneer de predictor geen comfort signaleert.
• De andere predictors hadden lagere odds ratios (rond 2,0).

Belangrijkste Bijdragen

1. Empirisch Onderzoek naar Verwaarloosde Variabelen: Het artikel vult een kennisgat door de invloed van variabelen zoals $T_p$, laterale afstand en trajectkromming op comfort te testen bij hogere snelheden (tot 2,8 m/s), waar eerdere studies vaak beperkt bleven tot lage snelheden.
2. Ontwikkeling van Comfort-Schatters: De auteurs hebben drie empirische modellen ontworpen. Het belangrijkste is de composiet schatter, die aantoont dat het combineren van meerdere kinematische factoren superieur is aan het gebruik van één enkele variabele (zoals de traditionele minimale afstand).
3. Kwantificering van Subjectief Comfort: Het biedt een meetbare methode (de composiet index) om menselijke emoties in padplanningsalgoritmen te integreren, waardoor robots sociaal compliant kunnen worden.

Significantie en Toekomstperspectief

Dit onderzoek biedt een cruciale basis voor de ontwikkeling van sociale robots. Door comfort te kwantificeren, kunnen padplanners (bijvoorbeeld in Reinforcement Learning) kostenfuncties aanpassen die niet alleen botsingen voorkomen, maar ook de angst en het ongemak van voetgangers minimaliseren.

• Beperkingen: De studie had een beperkte steekproefgrootte met een mogelijke positieve bias (vrijwilligers zijn vaak positiever ingesteld), gebruikte slechts twee snelheden, en de robot werd handmatig bestuurd in plaats van autonoom.
• Toekomstig Werk: De auteurs plannen het model uit te breiden naar diverse omgevingen, het toe te passen in volledig autonome padplanningsframeworks, en machine learning-methoden te gebruiken om comfort te voorspellen op basis van grootschalige datasets.

Kortom, deze studie beweert dat robots niet alleen veilig moeten zijn, maar ook "sociaal comfortabel" door gebruik te maken van een geavanceerde, op data gebaseerde schatter voor menselijk ongemak.