Legible Shared Autonomy: Implicit Communication of Robot Belief through Motion

Technische Samenvatting: Legibele Gedeelde Autonomie

Probleemstelling
Systemen voor gedeelde autonomie (shared autonomy) ondersteunen gebruikers met motorische beperkingen door gebruikersinput te combineren met autonome assistentie om robotarmen aan te sturen. Echter, een fundamenteel "transparantieprobleem" beperkt de effectiviteit hiervan: gebruikers kunnen de interne overtuigingen van de robot met betrekking tot de beoogde doelstelling van de gebruiker niet waarnemen. Traditionele systemen geven prioriteit aan efficiëntie door de kortste route naar het geïnferreerde doel te volgen. Wanneer meerdere objecten in vergelijkbare richtingen liggen (bijv. een doekje en een beker op een rommelige tafel), is deze efficiënte beweging echter ambigu. Dit creëert twee kritieke faalmodi:

1. Onnodige Inspanning: Wanneer de robot de bedoeling correct afleidt, blijven gebruikers input leveren omdat zij niet kunnen waarnemen dat de robot hun intentie begrijpt, wat leidt tot verspilling van inspanning die aan de robot gedelegeerd had kunnen worden.
2. Vertraagde Foutcorrectie: Wanneer de robot de intentie verkeerd begrijpt, kunnen gebruikers de fout pas detecteren wanneer de assistieve beweging significant afwijkt van hun gewenste traject, wat aanzienlijke correctieve input vereist.

Methodologie
Het artikel stelt een kader voor Legibele Gedeelde Autonomie voor, waarbij de robot zijn geïnferreerde overtuigingen over gebruikersdoelen communiceert via de kenmerken van zijn assistieve beweging, in plaats van te vertrouwen op expliciete feedbackinterfaces.

• Actieniveau Legibiliteitsmetriek: In tegenstelling tot eerdere trajectniveau-benaderingen die offline geoptimaliseerd worden, introduceert dit werk een metriek op actieniveau die op elk tijdstip berekenbaar is voor realtime interactie. De metriek kwantificeert hoe goed een robotactie $a_R$ de geïnferreerde doelstelling $\theta^*$ onderscheidt van concurrerende alternatieven $\theta$. Het wordt gedefinieerd als de log-ratio van de waarschijnlijkheid van de actie onder het geïnferreerde doel versus het meest verwarrende alternatief, gebaseerd op een Boltzmann-rationeel gebruikersactiemodel:
  $$L(a_R | s_t, \theta^*) = \log \pi_H(a_R | s_t, \theta^*) - \log \max_{\theta \neq \theta^*} \pi_H(a_R | s_t, \theta)$$
  Positieve waarden duiden aan dat de actie de geïnferreerde doelstelling sterk signaleert; waarden nabij nul duiden op ambiguïteit.

• Duaal Optimalisatiekader: De robot selecteert acties door een balans te vinden tussen taakprestaties (het minimaliseren van de afstand tot het doel) en legibiliteit. De objectieve functie is:
  $$a^*_R = \arg \max_{a_R \in A_R} [\lambda L(a_R | s_t, \theta^*) + Q(a_R, s_t, \theta^*)]$$
  waarbij $\lambda$ het belang van legibiliteit weegt. Wanneer $\lambda=0$, keert het systeem terug naar standaard efficiënte gedeelde autonomie.

• Vertrouwensbewuste Adaptieve Autoriteitsallocatie: Om de afweging tussen het onthullen van overtuigingen en het behouden van controle te beheren, past het systeem de autoriteitsgewicht $\beta_t$ die aan de gebruiker wordt gegeven dynamisch aan. Dit gewicht wordt gemoduleerd door twee factoren:

  1. Inference-vertrouwen ($b_t$): De robot verleent zichzelf meer autoriteit (lagere $\beta_t$) alleen wanneer het vertrouwensniveau van de robot een drempel overschrijdt.
  2. Nabijheid tot het doel ($d_t$): De robot vergroot zijn autoriteit naarmate hij het doel nadert, waar precieze doelonderscheiding het meest kritiek is.
     Wanneer de gebruiker de inputdevice loslaat, gaat de robot ervan uit dat hij de volledige controle heeft, waardoor delegatie mogelijk is zodra de gebruiker de correcte inferentie waarneemt.

Belangrijkste Bijdragen

1. Actieniveau Legibiliteitsmetriek: Een computationeel efficiënte metriek die realtime legibele intentiecommunicatie mogelijk maakt, onderscheidend van offline trajectoptimalisatie.
2. Legibel Gedeelde Autonomie Kader: De eerste integratie van legibiliteit in gedeelde autonomie om overtuigingen over gebruikersdoelen te onthullen (in plaats van de eigen doelen van de robot), gekoppeld aan een adaptieve autoriteitsstrategie die vertrouwensniveaus signaleert.
3. Empirische Validatie: Uitgebreide gebruikersstudies die aantonen dat legibele beweging de transparantie verbetert en de gebruikersinspanning vermindert.

Experimentele Resultaten
De aanpak werd gevalideerd via twee studies: een 2D-simulatie met 20 deelnemers en een fysiek experiment met een 6-DOF Dobot CR5 robotarm met 15 deelnemers.

• Transparantie en Begrip: In de simulatie verbeterde legibele beweging het vermogen van gebruikers aanzienlijk om te percipiëren of de robot hun intentie begreep (stijgend van 38% bij standaard SA naar 96–99% bij legibele SA) en de geïnferreerde doelstelling correct te identificeren.
• Subjectieve Ervaring: Fysieke experimenten toonden een toename van 62% in ervaren intuïtiviteit en een toename van 55% in scores voor samenwerkingskwaliteit voor legibele gedeelde autonomie vergeleken met standaard gedeelde autonomie. Er werd een sterke positieve correlatie ($r=0.926$) gevonden tussen ervaren begrip en samenwerkingskwaliteit.
• Controle-inspanning: Legibele gedeelde autonomie verminderde de gebruikerscontrole-inspanning aanzienlijk met 27% in fysieke experimenten (en 47% in simulatie), omdat gebruikers de controle eerder konden delegeren wanneer zij de correcte inferentie waarnamen.
• Taakduur Afweging: De studie merkte een toename van 12% in taakduur op in fysieke experimenten. Dit wordt toegeschreven aan trajecten die afwijken van het kortste pad om een duidelijke doelidentiteit te vestigen. De auteurs stellen dat deze afweging acceptabel is voor assistieve robotica, waarbij het verminderen van de fysieke werklast en het vergroten van de systeembegrijpelijkheid prioriteit hebben boven pure snelheid.

Betekenis en Claims
Het artikel claimt dat legibele gedeelde autonomie de interactie transformeert van een eenrichtings-inferentie naar transparante bidirectionele samenwerking. Door bewegingskenmerken te moduleren om interne overtuigingen te onthullen, stelt het systeem gebruikers in staat om hun controlestrategieën dynamisch aan te passen—door de input te verminderen wanneer begrip wordt bevestigd, of fouten onmiddellijk te corrigeren wanneer misverstanden worden gedetecteerd.

De auteurs concluderen dat hoewel legibiliteit moet worden afgestemd op de taak in plaats van ongebreideld te worden gemaximaliseerd (omdat te assertieve beweging soms de ervaren samenwerking kan verminderen), assistieve beweging effectief informatie kan dragen over de overtuigingstoestand van de robot. Dit overbrugt de transparantiekloof en beweegt gedeelde autonomie van "stille assistentie" naar meer begrijpelijke mens-robot samenwerking. Het werk erkent beperkingen, waaronder de noodzaak om hoog-vertrouwde onjuiste inferenties te evalueren en generalisatie naar rommelige scènes met veel kandidaat-doelen.