💻 computer science

Anatomy of Uncertainty: Expressive Descriptors of Robotic Manipulator Motion for Non-verbal Communication in Human-Robot Collaboration

Dit artikel presenteert een wiskundig kader dat de perceptuele onzekerheid van robots naar expressieve bewegingstoestanden mapt met behulp van Laban Movement Analysis en kinematische descriptoren, gevalideerd door een studie met menselijke proefpersonen die aantoont dat deelnemers betrouwbaar de robot-vertrouwen, nieuwsgierigheid, aarzeling en angst kunnen interpreteren via non-verbale bewegingskenmerken.

Oorspronkelijke auteurs: Ridhima Bector, Souravik Dutta, Poornima Ramachandran, Ree Yan Yeoh, Jui Hien Tan, Domenico Campolo, Bernhard Johannes Schmitt

Gepubliceerd 2026-07-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ridhima Bector, Souravik Dutta, Poornima Ramachandran, Ree Yan Yeoh, Jui Hien Tan, Domenico Campolo, Bernhard Johannes Schmitt

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin robots niet alleen stille, rammelende machines zijn, maar partners die kunnen "spreken" zonder een woord te zeggen. Dit is het domein van de Mens-Robot Samenwerking, een tak van de wetenschap die zich bezighoudt met het laten samenwerken van mensen en machines op een veilige en soepele manier. Hiervoor heeft een robot meer nodig dan alleen een lijst met instructies; de robot moet ons laten zien wat hij denkt. Net zoals een mens even kan pauzeren voordat hij een drukke straat oversteekt of nieuwsgierig kan vooroverbuigen om een vreemd object te inspecteren, moet een robot zijn interne staat aan ons communiceren. Twee kernideeën maken dit mogelijk: Perceptuele Onzekerheid, wat simpelweg het gevoel van een robot is dat "ik niet 100% zeker weet wat er op dit moment gebeurt", en Niet-verbale Communicatie, de kunst van het gebruiken van lichaamstaal (of in dit geval, armbewegingen) om dat gevoel te delen. Waarom is dit belangrijk? Omdat als een robot doet alsof hij precies weet wat hij moet doen terwijl hij eigenlijk in verwarring is, hij een gevaarlijke fout kan maken. Maar als hij kan laten zien dat hij aan het "nadenken" of "bezorgd" is, kunnen wij mensen ingrijpen, vertragen of helpen, wat het teamwork veel veiliger en natuurlijker maakt.

Dit artikel, getiteld "Anatomy of Uncertainty", duikt diep in hoe de arm van een robot zijn verwarring, nieuwsgierigheid of zelfvertrouwen kan uitbeelden. De onderzoekers, werkend met robotarmen, stelden een grote vraag: Kunnen we een robot leren om zijn bewegingen te gebruiken om tegen ons te zeggen: "Ik ben onzeker over dit object," of "Ik ben bang dat ik het laat vallen"? Om dit te beantwoorden, hebben ze niet simpelweg geraden; ze bouwden een wiskundige "anatomie" van robotgevoelens. Ze leenden een systeem genaamd Laban Movement Analysis, wat een soort woordenboek is voor menselijke dans en beweging, waarbij acties worden afgebroken tot kwaliteiten zoals "sterk versus licht" of "snel versus langzaam". Ze brachten deze dansbewegingen in kaart op twee onzichtbare assen: Commitment (hoe graag de robot naar het doel wil bewegen) en Vigilance (hoe erg de robot om zich heen kijkt en controleert op problemen).

Door deze twee assen te mengen, creëerde het team een "toestandsruimte" waar verschillende robotstemmingen leven. Bijvoorbeeld: een hoge commitment en lage vigilance staat gelijk aan Zelfvertrouwen (rechtstreeks naar het doel zoemen). Hoge vigilance met lage commitment staat gelijk aan Angst (achteruitwijken terwijl het lichaam trilt). Ze identificeerden vijf basis-"bewegingsprimitieven", de bouwstenen van robotbewegingen: Approach (naar voren bewegen), Pause (stoppen om na te denken), Retreat (achteruit bewegen), Exploration (rondkijken) en Oscillation (trillen). Vervolgens vertaalden ze deze naar 11 specifieke, meetbare getallen, zoals hoe snel de arm versnelt, hoe vaak hij stopt, hoe ver hij achteruit beweegt en hoeveel hij kantelt of trilt.

Om te zien of deze "robotlichaamstaal" daadwerkelijk werkt, maakten de onderzoekers video's van een robotarm die vier verschillende "stemmingen" uitvoert: Zelfverzekerd, Nieuwsgierig, Twijfelend en Angstig. Ze lieten deze video's zien aan 55 menselijke deelnemers en vroegen hen te raden wat de robot voelde. De resultaten waren duidelijk: mensen konden het verschil betrouwbaar onderscheiden. Wanneer de robot snel bewoog met weinig stops, zagen mensen Zelfvertrouwen. Wanneer de robot langzaam bewoog, rondkeek en zijn "hoofd" kantelde, zagen mensen Nieuwsgierigheid. Wanneer de robot vaak stopte, achteruit bewoog en langzaam bewoog, zagen mensen Twijfel. En wanneer de robot snel achteruit bewoog met veel pauzes en trillingen, zagen mensen Angst.

De studie stopte niet alleen bij het identificeren van de stemmingen; het testte ook hoe het veranderen van specifieke getallen de "intensiteit" van het gevoel veranderde. Ze ontdekten dat het korter maken van de pauzes van de robot en het sneller laten bewegen het er meer zelfverzekerd uit liet zien. Daarentegen maakte het langer laten pauzeren, verder achteruit bewegen en meer trillen de robot angstiger of twijfelachtiger. Echter, ze ontdekten ook dat niet elke beweging even belangrijk was. Het veranderen van de snelheid waarmee de robot kantelde of hoe hard hij trilde, maakte het gevoel niet altijd sterker of zwakker op een manier die mensen gemakkelijk konden opmerken. Dit suggereert dat voor een robot om onzekerheid effectief te communiceren, hij het grote plaatje goed moet krijgen — het combineren van snelheid, stoppen en richting — in plaats van alleen maar kleine details aan te passen.

Uiteindelijk suggereert dit artikel dat we robots een "vocabulaire" van beweging kunnen geven om hun onzekerheid uit te drukken. Hoewel de huidige studie gebruikmaakte van vooraf gemaakte video's die door mensen zijn ontworpen, stellen de auteurs voor dat robots in de toekomst deze zelfde "anatomie" kunnen gebruiken om automatisch te berekenen hoe ze moeten bewegen op basis van hun eigen sensoren. Als het camera-beeld van een robot wazig wordt, zou de robot automatisch kunnen besluiten om te "twijfelen" en "rond te kijken" in plaats van blindelings een object te grijpen, waardoor de menselijke partner precies weet wat er binnen het brein van de machine gebeurt.

Technische Samenvatting: Anatomie van Onzekerheid

Probleemstelling

Robots die opereren in omgevingen voor mens-robotcollaboratie (HRC) komen frequent onzekerheid tegen in de perceptie door sensorruis, occlusie, ambigue observaties en imperfecte modellen. Hoewel klassieke besluitvormingskaders dit intern adresseren via belief-states, bestaat er een kritische kloof in de non-verbale communicatie: mensen kunnen niet afleiden of een robot met vertrouwen een taak uitvoert, informatie verzamelt, of niet in staat is om een actie te bepalen als de robot alle taken met identieke bewegingsprofielen uitvoert. Bestaande methoden voor expressieve robotbeweging koppelen kwaliteiten van beweging vaak aan discrete emoties of doelen, maar missen een verenigde wiskundige verantwoording van hoe perceptuele onzekerheid in gedragsprocessen ontleed moet worden. Bov�el staat er onvoldoende literatuur die een voldoende set meetbare bewegingsparameters identificeert die verschillende onzekerheidsgerelateerde staten (bijv. vertrouwen versus angst) en hun intensiteiten systematisch kunnen uitdrukken.

Methodologie

De auteurs stellen een wiskundig kader voor dat perceptuele onzekerheid vertaalt naar de beweging van een robotmanipulator met behulp van Laban Movement Analysis (LMA) als een kwalitatieve interpretatieve basis.

1. Gedragsmodellering (Commitment-Vigilance State Space)
De kern van het kader is een 2D latent gedangsmodel dat vier LMA Effort-factoren (Weight, Time, Space, Flow) mapt op twee orthogonale dimensies:

Commitment ( $C$ ): Vertegenwoordigt de mate van motorische investering in een taakdoel (benadering versus terugtrekking). Afgeleid van de Weight- en Time-factoren.
Vigilance ( $V$ ): Vertegenwoordigt de toewijzing van beweging aan monitoring, controle en informatieverzameling. Afgeleid van de Space- en Flow-factoren.

Deze $C-V$ ruimte definieert vijf canonieke gedragsstaten geassocieerd met toenemende perceptuele onzekerheid:

Confidence (Vertrouwen): Hoge Commitment, Lage Vigilance (Directe, snelle benadering).
Curiosity (Nieuwsgierigheid): Hoge Commitment, Hoge Vigilance (Benadering met scannen/exploratie).
Hesitance (Aarzeling): Lage/Negatieve Commitment, Lage Vigilance (Oscillatie tussen benadering en terugtrekking).
Fear (Angst): Lage/Negatieve Commitment, Hoge Vigilance (Terugtrekking met defensieve monitoring).
Inactivity (Inactiviteit): Lage/Negatieve Commitment, Lage Vigilance (Volledige onthechting).

2. Bewegingsprimitieven en Expressieve Descriptoren
Om deze staten te operationaliseren, definiëren de auteurs vijf elementaire bewegingsprimitieven: Approach (Benadering), Pause (Pauze), Retreat (Terugtrekking), Exploration (Exploratie) en Oscillation (Oscillatie). Deze worden geparametriseerd door 11 berekenbare expressieve descriptoren afgeleid van kinematische en geometrische data:

Kinematisch/Temporeel: Approach acceleration, Pause count, Pause duration, Retreat count, Retreat distance, Retreat acceleration.
Geometrisch/Oriëntatie: Horizontal gaze angle, Vertical gaze angle, Tilt angle, Tilt velocity.
Micro-beweging: Shiver amplitude (hoogfrequente oscillatie).

Deze descriptoren maken de vertaling van de abstracte $C-V$ staat naar specifieke, meetbare end-effector trajecten mogelijk.

Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen:

Een Anatomisch Gedangsmodel: Een wiskundige projectie van LMA Effort-factoren op een Commitment-Vigilance state space, die onzekerheidsgerelateerde staten (confidence, curiosity, hesitance, fear, inactivity) organiseert op basis van taakgerichte betrokkenheid en onzekerheidsbeheergedrag.
Een Set van Bewegingsprimitieven en Descriptoren: Een vertaling van het gedangsmodel naar manipulator-trajecten met behulp van vijf primitieven die worden geparametriseerd door 11 specifieke kinematische en geometrische descriptoren, wat een herbruikbare set biedt voor het genereren en meten van onzekerheidsgerelateerde gedragingen.
Validatie van Menselijke Perceptie: Een video-gebaseerde studie met menselijke proefpersonen die evalueert of deze door descriptoren geparametriseerde trajecten succesvol onderscheidende gedragsstaten communiceren en of systematische veranderingen in individuele descriptoren de waargenomen expressieve intensiteit moduleren.

Experimentele Resultaten

Een door de IRB goedgekeurde online studie met 55 geldige deelnemers evalueerde vier basis-trajecten (Confident, Curious, Hesitant, Fearful) en hun variaties.

Herkenning van Staten (H1): Deelnemers identificeerden de beoogde gedragsstaten betrouwbaar met percentages die significant boven toeval lagen ( $p < .001$ ). Post-hoc analyse bevestigde één dominante gedragsstaat voor elk traject (bijv. het "Hesitant" traject werd voornamelijk als zodanig geïdentificeerd, zonder dat concurrerende categorieën significant waren).
Modulatie van Intensiteit (H2): Systematische veranderingen in specifieke descriptoren veranderden de waargenomen intensiteit van de staten significant:
- Confidence: Nam toe door kortere pauzes en hogere approach acceleratie.
- Curiosity: Nam toe door grotere tilt amplitude, grotere horizontale/verticale gaze angles en snellere approach acceleratie.
- Hesitance: Nam toe door langere pauzes, grotere retreat distance/count en een langzamere approach acceleratie.
- Fear: Nam toe door langere pauzes, hogere pauze/retreat counts en een langzamere approach acceleratie.
Niet-dominante Descriptoren: Bepaalde parameters, zoals shiver amplitude (voor fear), retreat acceleration (voor fear/hesitance) en tilt velocity (voor curiosity), produceerden geen duidelijke perceptuele differentiatie wanneer ze in isolatie werden gemanipuleerd, wat suggereert dat ze mogelijk gezamenlijke modulatie of grotere variaties vereisen om effectief te zijn.

Betekenis en Claims

Het artikel claimt een perceptueel gefundeerde basis te hebben vastgesteld voor het coderen van robotonzekerheid in beweging. Het demonstreert dat perceptuele onzekerheid niet wordt gerepresenteerd door een enkele kinematische cue, maar voortkomt uit gecoördineerde variaties in taakbetrokkenheid en informatiezoekend gedrag. De resultaten ondersteunen het gebruik van gestructureerde combinaties van benadering, onderbreking, exploratie en terugtrekking om interne staten over te dragen aan menselijke collaborators.

De auteurs merken bescheiden de beperkingen op: de huidige descriptor-waarden en trajecten zijn handmatig ontworpen in plaats van autonoom berekend uit real-time perceptie, en de studie vertrouwde op video-gebaseerde evaluatie in plaats van closed-loop interactie. Daarom dient het kader momenteel als een methodologie voor bewegingsontwerp in plaats van een volledig autonoom controlesysteem. Toekomstig werk wordt voorgesteld om deze descriptoren te integreren met Dynamic Movement Primitives (DMPs) om autonome trajectgeneratie mogelijk te maken, geconditioneerd op de geschatte perceptuele onzekerheid van de robot, veiligheidsrestricties en taakeisen.