Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

1. Problema e Motivação

A integração de robôs móveis em espaços públicos (como calçadas, hospitais e aeroportos) gera preocupações éticas e de conforto para os pedestres. Embora a maioria dos algoritmos de planejamento de caminho priorize a segurança objetiva (evitar colisões), eles frequentemente negligenciam a segurança subjetiva e o conforto do pedestre.

• Desafio Principal: Quantificar o conforto humano é complexo devido à dificuldade em traduzir emoções e ansiedade em variáveis controláveis para o robô.
• Limitação da Literatura Atual: Estudos anteriores focam excessivamente na distância mínima (baseada na teoria da proxêmica de Hall) e em baixas velocidades, ignorando outras variáveis cinemáticas cruciais como velocidade, distância lateral, curvatura da trajetória e o tempo projetado até a colisão (PTTC).

2. Metodologia

Os autores realizaram um estudo empírico para correlacionar variáveis cinemáticas objetivas com o conforto subjetivo relatado por pedestres.

• Configuração Experimental:

  • Robô: Um Agilex Scout Mini equipado com câmeras de profundidade, LiDAR 2D/3D e processamento em Nvidia Jetson AGX Orin.
  • Ambiente: Um corredor de 3,2 metros de largura.
  • Participantes: 32 voluntários (22 homens, 10 mulheres), idade média de 25,7 anos.
  • Procedimento: Os participantes caminhavam casualmente enquanto o robô se aproximava e os ultrapassava. O robô era controlado remotamente por um operador, mas os participantes acreditavam que era autônomo.
  • Condições de Velocidade: Dois cenários de velocidade constante foram testados: R14 (1,4 m/s) e R28 (2,8 m/s).
  • Coleta de Dados: Cada participante realizou 5 tentativas. O conforto foi avaliado em uma escala Likert de 1 a 5 (1 = perigoso, 5 = confortável) após cada tentativa.

• Variáveis Cinemáticas Analisadas:

  1. Velocidade do Robô ($v$): 1,4 m/s vs. 2,8 m/s.
  2. Distância Mínima ($D_{min}$): Menor distância euclidiana entre robô e pedestre.
  3. Distância Lateral ($D_{lat}$): Distância perpendicular no momento da ultrapassagem.
  4. Curvatura Máxima ($\rho$): Máxima curvatura da trajetória do robô.
  5. PTTC Mínimo ($T_p$): Tempo Projetado até a Colisão (Projected Time-to-Collision) mínimo.
  6. Distância no PTTC Mínimo ($D_{TP}$): Distância entre robô e pedestre no momento do $T_p$ mínimo.

• Análise Estatística: Utilizou-se correlação de distância (dCor) com testes de permutação (1000 iterações) para lidar com variáveis ordinais (escala Likert) e detectar relações não lineares e não monotônicas.

3. Contribuições Principais

1. Estudo Empírico de Variáveis Negligenciadas: Investigação sistemática do impacto de variáveis além da distância mínima, incluindo PTTC, curvatura e velocidades mais altas (até 2,8 m/s).
2. Identificação de Correlações: Demonstração estatística de que o PTTC Mínimo ($T_p$) possui a correlação mais forte com o conforto, superando a distância mínima e a velocidade.
3. Desenvolvimento de Preditores de Conforto: Criação de três estimadores empíricos para prever se um pedestre está confortável (classificação binária: confortável vs. desconfortável):
   • Estimador de Distância Mínima ($\hat{S}_d$): Baseado apenas em $D_{min}$.
   • Estimador Baseado em PTTC ($\hat{S}_t$): Baseado apenas em $T_p$.
   • Estimador Composto ($\hat{S}_E$): Combina todas as seis variáveis cinemáticas utilizando um sistema de pesos baseado em bins de dados.

4. Resultados

• Correlações Individuais:
  • PTTC Mínimo ($T_p$): Apresentou a correlação mais forte ($dCor = 0,269$, $p = 0,002$). Maior tempo até a colisão correlaciona-se com maior conforto.
  • Velocidade ($v$) e Distância Mínima ($D_{min}$): Correlações moderadas, mas significativas. Conforto diminui com o aumento da velocidade e com a redução da distância.
  • Distância Lateral e Curvatura: Correlações estatisticamente fracas ou não significativas, embora mostrem tendências visuais (ex: relação em "U invertido" para curvatura e distância lateral).
• Desempenho dos Preditores:
  • O Estimador Composto ($\hat{S}_E$) superou todos os outros em métricas de classificação (Acurácia, Precisão, Recall e F1-Score).
  • F1-Score: 0,723 (Composto) vs. 0,599 (Distância Mínima) e 0,467 (PTTC).
  • Odds Ratio (Razão de Chances): O estimador composto atingiu um Odds Ratio de 3,67. Isso significa que, quando o modelo identifica um pedestre como "confortável", há quase 4 vezes mais chances de ele estar realmente confortável em comparação com a identificação negativa.
  • Os preditores individuais de distância mínima e PTTC tiveram desempenho inferior, sugerindo que a combinação de múltiplas variáveis captura nuances do conforto humano que uma única métrica não consegue.

5. Significado e Implicações

• Para o Planejamento de Caminhos: O estudo fornece um quantificador de conforto que pode ser integrado diretamente nas funções de custo de algoritmos de planejamento de caminho (ex: em aprendizado por reforço). Robôs podem priorizar trajetórias que maximizam o conforto subjetivo, não apenas a segurança física.
• Mudança de Paradigma: A pesquisa sugere que a simples manutenção de uma distância mínima é insuficiente para garantir o conforto social. Variáveis temporais (como o tempo até uma colisão potencial) são indicadores mais robustos da percepção humana de segurança.
• Robôs Socialmente Conformistas: A implementação desses preditores permite que robôs móveis gerem movimentos mais naturais e menos intrusivos, reduzindo a ansiedade e a evasão por parte dos pedestres em ambientes compartilhados.

Limitações e Trabalhos Futuros

O estudo reconhece limitações, como o tamanho da amostra, o viés positivo de voluntários familiarizados com robôs, o uso de robôs controlados remotamente (que podem não replicar padrões autônomos perfeitos) e a dependência de binning manual. Trabalhos futuros visam expandir para ambientes mais diversos, testar em cenários totalmente autônomos e aplicar abordagens de aprendizado de máquina para refinar as previsões a partir de grandes conjuntos de dados.