Exploring Human-Robot Collaboration: Analysis of Interaction Modalities in Challenging Tasks

Resumo Técnico: Explorando a Colaboração Humano-Robô: Análise de Modalidades de Interação em Tarefas Desafiadoras

Enunciação do Problema
À medida que os robôs entram cada vez mais em ambientes sociais, como saúde, logística e educação, o desafio desloca-se da mera execução de tarefas para a colaboração socialmente aceitável. Existe uma lacuna crítica na compreensão de como diferentes níveis de proatividade do robô — especificamente reativa (baseada em solicitações) versus proativa (baseada em iniciativa) — impactam a percepção do usuário, o estado emocional e o desempenho na tarefa. Embora a literatura existente sugira que o comportamento proativo possa melhorar a fluência e a percepção antropomórfica, outros estudos indicam que os usuários podem encontrar tais intervenções perturbadoras ou intrusivas, preferindo manter o controle sobre o momento das intervenções. Este estudo investiga essas dinâmicas conflitantes para determinar qual modalidade de interação os usuários preferem e como os comportamentos proativos versus reativos influenciam a experiência humana em uma tarefa colaborativa cognitivamente e fisicamente exigente.

Metodologia
O estudo empregou um desenho experimental intra-sujeitos envolvendo 18 participantes adultos. A tarefa central exigia que os participantes montassem uma torre colorida de sete camadas a partir da memória, utilizando blocos LEGO DUPLO. A tarefa foi projetada para ser cognitivamente exigente (exigindo a memorização de uma sequência de cores mostrada brevemente) e fisicamente desafiadora (exigindo que os participantes ficassem de pé e buscassem blocos específicos no lado oposto da mesa).

Os participantes completaram a tarefa sob três modalidades distintas:

1. Passiva (PA): O participante trabalhou sozinho, sem assistência robótica.
2. Reativa (R): Um robô móvel (DJI RoboMaster EP Core) forneceu assistência apenas mediante solicitação verbal explícita. A assistência incluía buscar blocos específicos ou sugerir a cor correta por meio de sinais LED e fala.
3. Proativa (PR): O robô interveio autonomamente sem solicitações explícitas. Ele buscava o quarto bloco de uma nova camada imediatamente após a colocação do primeiro e sinalizava erros (por exemplo, cor incorreta) por meio de flashes de LED vermelho e alertas verbais. Os usuários ainda podiam solicitar sugestões de cor.

Para garantir uma execução fluida, isolando as respostas do usuário ao momento da assistência da robustez da percepção, foi utilizada uma configuração de "Mágico de Oz", onde um operador teleoperava o robô discretamente. A coleta de dados incluiu métricas de desempenho objetivas (tempo de conclusão, contagem de erros, frequência de solicitações) e métricas subjetivas obtidas por meio de um questionário de 25 itens baseado em uma escala Likert de 7 pontos. O questionário avaliou a percepção da tarefa (dificuldade, demanda mental/física), a experiência emocional (ansiedade, conforto, controle) e a percepção do robô (confiança, utilidade, confiabilidade, qualidade da interação).

Principais Contribuições

• Análise Comparativa de Modalidades: O estudo fornece uma comparação direta das modalidades passiva, reativa e proativa dentro de um único quadro experimental, estendendo trabalhos anteriores (por exemplo, Baraglia et al., 2017) ao introduzir uma linha de base passiva e aumentar a complexidade da tarefa por meio de requisitos de memória e recuperação física.
• Quadro de Avaliação Holística: A pesquisa integra dados de desempenho objetivo com uma avaliação subjetiva granular, agrupando métricas em pontuações de "tarefa", "emocional" e "robô" para avaliar o impacto multidimensional do comportamento do robô.
• Implementação de Mágico de Oz para HRI: O estudo demonstra uma configuração controlada de teleoperação que imita comportamento autônomo para testar as reações dos usuários ao suporte proativo sem as limitações técnicas dos sistemas atuais de percepção autônoma.

Resultados

• Métricas de Desempenho: Contrariando a hipótese de que a assistência aceleraria a tarefa, a modalidade Passiva resultou nos tempos de conclusão mais rápidos. Tanto as modalidades Reativa quanto Proativa aumentaram o tempo de conclusão, atribuído à sobrecarga de interação (aguardando o movimento e o feedback do robô). No entanto, a diferença no tempo de conclusão entre as modalidades Reativa e Proativa não foi estatisticamente significativa.
• Percepção Subjetiva da Tarefa: Os participantes classificaram a tarefa como significativamente mais fácil e menos fisicamente exigente na modalidade Proativa em comparação com a condição Passiva. A modalidade Proativa também mostrou tendências para maior precisão e menor ansiedade em comparação com a condição Passiva.
• Percepção do Robô e Preferência:
  • Preferência: 67% dos participantes preferiram a modalidade Proativa, e 78% julgaram-na como a mais útil.
  • Confiança e Utilidade: A modalidade Proativa recebeu pontuações significativamente mais altas para utilidade, confiabilidade e confiança do robô em comparação com a modalidade Reativa.
  • Controle: Apesar da preferência pelo suporte proativo, um subconjunto de participantes (28%) preferiu a modalidade Reativa, citando um desejo de maior controle sobre as intervenções do robô.
• Experiência Emocional: Embora as pontuações emocionais tenham mostrado apenas melhorias estatísticas marginais na condição Proativa em comparação com a Passiva, a tendência geral indicou um estado afetivo mais positivo durante as interações assistidas.

Significância e Alegações
O artigo afirma que o suporte proativo oportuno pode melhorar significativamente a experiência do usuário em tarefas colaborativas controladas, mesmo quando não melhora a eficiência objetiva. Os resultados sugerem que os usuários estão dispostos a trocar a velocidade de conclusão da tarefa por esforço físico reduzido e qualidade de interação aprimorada. O estudo conclui que os robôs proativos são geralmente percebidos como úteis e não intrusivos neste contexto, desafiando a noção de que os usuários preferem universalmente manter um controle estrito sobre o momento das intervenções.

No entanto, os autores mantêm uma postura modesta, reconhecendo o pequeno tamanho da amostra (N=18) e as restrições específicas da configuração experimental. Eles postulam que, embora o comportamento proativo seja benéfico para a experiência do usuário neste ambiente controlado, pesquisas futuras são necessárias para validar essas descobertas em cenários mais complexos e dinâmicos e em diversas populações de usuários com diferentes níveis de experiência prévia com robôs. O trabalho apoia o projeto de robôs assistivos que se envolvam proativamente, mantendo transparência e agência do usuário, mas enfatiza a necessidade de modalidades adaptativas para acomodar diferenças individuais nos estilos de colaboração.