Legible Shared Autonomy: Implicit Communication of Robot Belief through Motion

Resumo Técnico: Autonomia Compartilhada Legível

Problema
Sistemas de autonomia compartilhada auxiliam usuários com deficiências motoras combinando a entrada do usuário com assistência autônoma para controlar braços robóticos. No entanto, um problema fundamental de "transparência" limita sua eficácia: os usuários não conseguem observar as crenças internas do robô em relação ao objetivo pretendido pelo usuário. Sistemas tradicionais priorizam a eficiência, movendo-se ao longo do caminho mais curto para o objetivo inferido. Quando múltiplos objetos estão em direções semelhantes (por exemplo, um lenço e uma xícara em uma mesa desordenada), esse movimento eficiente é ambíguo. Isso cria dois modos críticos de falha:

1. Esforço Desnecessário: Quando o robô infere corretamente o objetivo, os usuários continuam a fornecer entrada de controle porque não conseguem perceber que o robô entende sua intenção, desperdiçando esforço que poderia ser delegado ao robô.
2. Correção de Erro Atrasada: Quando o robô interpreta mal a intenção, os usuários não conseguem detectar o erro até que o movimento assistivo divirja significativamente de sua trajetória desejada, exigindo uma entrada corretiva substancial.

Metodologia
O artigo propõe um framework de Autonomia Compartilhada Legível, onde o robô comunica suas crenças inferidas sobre os objetivos do usuário através das características de seu movimento assistivo, em vez de depender de interfaces de feedback explícitas.

• Métrica de Legibilidade ao Nível da Ação: Diferente de abordagens anteriores de trajetória otimizadas offline, este trabalho introduz uma métrica ao nível da ação computável em cada passo de tempo para interação em tempo real. A métrica quantifica quão bem uma ação do robô $a_R$ discrimina o objetivo inferido $\theta^*$ de alternativas concorrentes $\theta$. Ela é definida como a razão logarítmica da verossimilhança da ação sob o objetivo inferido versus a alternativa mais confusa, baseada em um modelo de ação de usuário racional-Boltzmann:
  $$L(a_R | s_t, \theta^*) = \log \pi_H(a_R | s_t, \theta^*) - \log \max_{\theta \neq \theta^*} \pi_H(a_R | s_t, \theta)$$
  Valores positivos indicam que a ação sinaliza fortemente o objetivo inferido; valores próximos a zero indicam ambiguidade.

• Framework de Otimização Dual: O robô seleciona ações equilibrando o desempenho da tarefa (minimização da distância até o objetivo) e a legibilidade. A função objetivo é:
  $$a^*_R = \arg \max_{a_R \in A_R} [\lambda L(a_R | s_t, \theta^*) + Q(a_R, s_t, \theta^*)]$$
  onde $\lambda$ pondera a importância da legibilidade. Quando $\lambda=0$, o sistema retorna à autonomia compartilhada eficiente padrão.

• Alocação de Autoridade Adaptativa Consciente de Confiança: Para gerenciar o equilíbrio entre revelar crenças e manter o controle, o sistema ajusta dinamicamente o peso de autoridade $\beta_t$ dado ao usuário. Este peso é modulado por dois fatores:

  1. Confiança de Inferência ($b_t$): O robô concede a si mesmo mais autoridade (menor $\beta_t$) apenas quando sua confiança de crença excede um limite.
  2. Proximidade ao Objetivo ($d_t$): O robô aumenta sua autoridade conforme se aproxima do objetivo, onde a discriminação precisa do objetivo é mais crítica.
     Quando o usuário libera o dispositivo de entrada, o robô assume o controle total, permitindo a delegação assim que o usuário percebe a inferência correta.

Principais Contribuições

1. Métrica de Legibilidade ao Nível da Ação: Uma métrica computacionalmente eficiente que permite a comunicação de intenção legível em tempo real, distinta da otimização de trajetória offline.
2. Framework de Autonomia Compartilhada Legível: A primeira integração de legibilidade na autonomia compartilhada para revelar crenças sobre os objetivos do usuário (em vez dos próprios objetivos do robô), acoplada a uma estratégia de autoridade adaptativa que sinaliza níveis de confiança.
3. Validação Empírica: Estudos de usuário abrangentes demonstrando que o movimento legível melhora a transparência e reduz o esforço do usuário.

Resultados Experimentais
A abordagem foi validada através de dois estudos: uma simulação 2D com 20 participantes e um experimento físico com um braço robótico Dobot CR5 de 6-DOF com 15 participantes.

• Transparência e Compreensão: Na simulação, o movimento legível melhorou significativamente a capacidade dos usuários de perceber se o robô entendia sua intenção (aumentando de 38% na SA padrão para 96–99% na SA legível) e identificar corretamente o objetivo inferido.
• Experiência Subjetiva: Experimentos físicos mostraram um aumento de 62% na percepção de intuitividade e um aumento de 55% nos escores de qualidade de colaboração para a autonomia compartilhada legível em comparação com a autonomia compartilhada padrão. Foi encontrada uma forte correlação positiva ($r=0.926$) entre a compreensão percebida e a qualidade da colaboração.
• Esforço de Controle: A autonomia compartilhada legível reduziu significamente o esforço de controle do usuário em 27% em experimentos físicos (e 47% em simulação), pois os usuários puderam delegar o controle mais cedo quando perceberam a inferência correta.
• Compromisso de Duração da Tarefa: O estudo observou um aumento de 12% na duração da tarefa em experimentos físicos. Isso é atribuído a trajetórias que se desviam do caminho mais curto para estabelecer uma identidade de objetivo clara. Os autores argumentam que esse compromisso é aceitável para a robótica assistiva, onde reduzir a carga física e aumentar a compreensibilidade do sistema são priorizados em relação à velocidade bruta.

Significância e Alegações
O artigo afirma que a autonomia compartilhada legível transforma a interação de uma inferência unidirecional em uma colaboração bidirecional transparente. Ao modular as características do movimento para revelar crenças internas, o sistema permite que os usuários ajustem dinamicamente suas estratégias de controle — reduzindo a entrada quando a compreensão é confirmada ou corrigindo erros imediatamente quando mal-entendidos são detectados.

Os autores concluem que, embora a legibilidade deva ser ajustada à tarefa em vez de ser maximizada indiscriminadamente (pois movimentos excessivamente assertivos podem às vezes reduzir a percepção de colaboração), o movimento assistivo pode efetivamente carregar informações sobre o estado de crença do robô. Isso preenche a lacuna de transparência, movendo a autonomia compartilhada de uma "assistência silenciosa" para uma equipe humano-robô mais compreensível. O trabalho reconhece limitações, incluindo a necessidade de avaliar inferências incorretas de alta confiança e a generalização para cenas desordenadas com muitos objetivos candidatos.