💻 computer science

Human-in-the-Loop Failure Recovery with Adaptive Task Allocation

本文提出了一种自适应机器人故障分配（ARFA）方法，该方法基于实时能力建模和工作量分配，将机器人故障恢复任务动态地分配给最胜任的人类操作员，从而减少空闲时间并提高整体系统性能。

原作者： Lorena Maria Genua, Nikita Boguslavskii, Zhi Li

发布于 2026-02-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Lorena Maria Genua, Nikita Boguslavskii, Zhi Li

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一支机器人在繁忙的医院或超市中工作，试图完成任务。有时，这些机器人会陷入困境。也许是它们搬不动重箱子，也许是看不见被遮挡的物体，又或者它们的软件出现了混乱。当这种情况发生时，机器人需要人类介入来解决问题。

问题在于：机器人应该向谁寻求帮助？

在过去，机器人可能会直接大声呼救，然后由离得最近的人（或正好有空的人）来响应。这就像老师在教室里问：“谁知道答案？”然后随手指了第一个举手的学生。有时候，回答的人可能并不真正了解答案，或者他们正忙于自己的工作，无法有效地提供帮助。这导致机器人长时间处于闲置状态（无所事事），而人类也会感到沮力或过度劳累。

解决方案：ARFA（智能调度员）

该论文的作者创建了一个名为 ARFA（自适应机器人故障分配）的系统。你可以把 ARFA 想象成一个超级聪明的呼叫中心调度员，它不是在路由电话通话，而是在将机器人的问题路由给最合适的真人助手。

以下是它的工作原理，使用简单的类比说明：

1. “技能卡”系统

每一位操作员（无论是坐在机器人旁边，还是通过远程屏幕观察）都拥有一张数字“技能卡”。这张卡追踪三项内容：

身体能力： 他们能否搬运重物或够到高处的架子？（本地操作员通常在这方面表现更好）。
认知能力： 他们能否解决谜题或弄清楚机器人为什么感到困惑？（远程操作员可能在这方面表现更好）。
响应速度： 当机器人发出求助信号时，他们的反应有多快？

起初，系统并不知道每个人到底有多厉害。它从一张白纸开始，假设每个人在所有方面都表现“还可以”。

2. “健身教练”类比（在实践中学习）

每当机器人遇到问题时，系统都会查看“技能卡”。它会询问：“这个问题需要的是强壮的手臂、敏锐的大脑，还是快速的反应？”

然后，它会选择与问题需求最匹配的人。

学习部分： 在人类解决问题后，系统会像一位健身教练一样行动。如果人类解决得又快又轻松，系统就会更新他们的卡片，写道：“哇，他们在这方面的表现比我们想象的还要出色！”如果他们遇到了困难或耗时过长，系统就会调整卡片，写道：“下次遇到这类特定类型的问题，他们可能不是最佳人选。”
工作量平衡： 系统还会观察每个人的忙碌程度。如果一个人已经在处理太多任务，即使那个人很有能力，系统也可能会跳过他，将工作交给其他有空闲的人。这可以防止一个人因为过度劳累而崩溃，而其他人却在闲坐。

3. “紧急程度”因素

有些机器人问题是紧急情况（比如病人现在就需要药物），而有些则可以等待。系统会权衡问题的紧急程度。如果一个问题非常紧急，系统可能会选择那个在处理这类特定类型问题上拥有最佳记录的人，即使那个人现在有点忙，因为速度至关重要。

测试结果如何？

研究人员通过两种方式测试了这个“智能调度员”：

计算机模拟： 他们运行了一个包含 100 个虚拟机器人故障的虚拟模拟实验。
- 结果： 当使用“随机”方法（即随机挑选一个人）时，团队仅能在规定时间内解决 78% 的问题。而当使用 ARFA 时，团队解决了 95% 的问题。远程操作员在原本随机分配任务表现不佳的情况下，由于系统学习了他们的长处并分配了正确的任务，他们的工作表现变得更好了。
真实人类研究： 他们让 20 名真实的人扮演“远程操作员”（使用屏幕）和“本地操作员”（佩戴 AR 眼镜，在机器人 IONA 附近工作）。同时，这些人还在尝试解数独谜题，以模拟忙碌的工作日。
- 结果：
  - 修复更快： 当 ARFA 负责调度时，机器人的等待时间（闲置时间）大大减少。
  - 成功率更高： 团队在时限内解决了更多的故障（使用 ARFA 的成功率为 85%，而随机分配为 69%）。
  - 工作量公平： “智能调度员”确保了工作分配得更加均匀。在随机分配下，两名操作员之间的工作量差异巨大；但在 ARFA 的作用下，他们的工作量几乎相等。
  - 没有干扰： 至关重要的是，人类在配合 ARFA 工作时，依然能像平时一样顺利地解决数独谜题。系统并没有让他们感到不堪重负。

核心结论

这篇论文介绍了一种让机器人不再“盲目猜测”向谁求助的方法。机器人不再是随机地大声呼救，而是使用一个能够学习谁擅长什么、平衡工作量以防人员过载、并能在紧急情况下优先考虑速度的智能系统。

其结果是：机器人得到修复的速度更快，人类的压力更小，整个系统的运行也更加顺畅。这就像拥有一位了解每位员工长处，并能针对每个具体问题精准派单的经理，确保工作既高质量又按时完成。

技术摘要：自适应机器人故障分配 (ARFA)

问题陈述

尽管自主性取得了进展，但移动操作机器人和类人辅助机器人在动态、非结构化环境中经常因硬件故障、软件错误或交互不确定性而遇到故障。虽然部分故障可以自主解决，但许多故障需要人工干预。目前的人机协作系统通常缺乏将这些故障分配给人类操作员的动态、实时策略。现有方法通常依赖于静态的能力评估或离线分配，未能考虑到故障的时效性、远程与本地操作员的具体技能差异以及当前的负载分布。由于缺乏有效的分配机制，机器人可能会经历长时间的闲置，导致系统性能下降，并可能导致操作员的工作量分布不均，从而干扰其主要任务。

方法论

作者提出了自适应机器人故障分配 (ARFA)，这是一个旨在将机器人故障动态分配给最胜任的人类操作员（无论是本地还是远程）并平衡工作量的框架。该方法由三个核心组件组成：

1. 人类能力建模

系统从三个能力维度对每位操作员 $i$ 进行建模：

物理能力 ($phys$)： 执行物理任务的能力（例如：移动电缆）。
认知能力 ($cog$)： 处理信息和做出决策的能力。
响应能力 ($resp$)： 快速应对紧急情况的能力。

能力通过包含下界 ( $\ell$ ) 和上界 ( $u$ ) 的置信分布来表示。对于具有需求 $r = [r_{phys}, r_{cog}, r_{urg}]$ 的给定故障 $f$ ，计算能力得分 $\lambda_{i,j}(r_j)$ 。如果操作员的能力超过需求，则得分为 1；如果低于下界，则得分为 0；在两者之间则线性递减。总性能指数 $\Lambda_i$ 是这些得分的加权和。

2. 预期回报与故障分配

回报函数 $R_i$ 根据以下因素评估将故障分配给操作员的效果：

故障紧迫性 ( $r_{urg}$ )： 高紧迫性会放大历史表现差异的影响。
历史表现 ( $\tau_i$ )： 源自解决时间与任务相关时间阈值的比例。
工作量成本 ( $C_i$ )： 基于已分配给该操作员的总解决时间比例的惩罚项。

总预期回报 ( $ER_i$ ) 计算如下：
$ER_i = \Lambda_i \cdot (R_i(r_{urg}, \tau_i) - C_i)$
故障被分配给使该预期回报最大化的操作员 $i^*$ 。

3. 能力优化（在线学习）

系统使用 Adam 优化器 持续更新每个操作员能力的置信边界 ( $\ell, u$ )。其目标是最小化预测成功概率（基于当前能力边界）与观测成功概率（来自已解决故障的经验数据）之间的均方误差。这使得系统能够根据实际表现实时调整对操作员能力的评估。

核心贡献

本文概述了三个主要贡献：

框架开发： 一个支持涉及本地和远程操作员的人机协作机器人故障恢复系统。
自适应策略： 将任务分配策略应用于故障恢复这一特定领域，引入了一个在考虑紧迫性和历史表现的同时，最小化操作员工作量和任务中断的回报函数。
验证： 通过模拟实验以及涉及用户与移动护理机器人 (IONA) 交互的用户研究进行了实证验证。

评估与结果

模拟

作者在包含一名远程操作员和一名本地操作员的情况下，模拟了 20 轮共 100 次故障。

成功率： ARFA 的表现显著优于随机分配。远程操作员的成功率从 55%（随机分配）提高到 82%（ARFA）。团队成功率从 78% 提高到 95%。
收敛性： 能力置信度优化器在 98.33% 的试验中成功收敛，通常在最初的 20 次故障内完成。

用户研究

一项包含 20 名参与者（成对作为本地和远程操作员）的研究，使用 IONA 机器人及增强现实界面（HoloLens 2 和基于屏幕的 GUI），将 ARFA 与随机分配进行了对比。

系统性能 (RQ1)：
- 解决时间： ARFA 显著缩短了平均故障解决时间，从 312.73s（随机分配）降至 257.6s。
- 任务完成情况： 总任务完成时间从 632.98s 减少到 571.85s。
- 成功率： 团队成功率（在时间阈值内解决故障）从 69% 增加到 85%。远程操作员的成功率显著提升（从 40.5% 升至 55%），而本地操作员在两种模式下均保持了近乎完美的表现。
工作量分布 (RQ2)：
- ARFA 显著缩小了操作员之间恢复时间的差异，将差距从 132.30s（随机分配）缩小至 33.64s。
- 主要任务（解数独）的表现在这两种分配模式下保持一致，表明工作量平衡并未损害操作员的主要职责。

重要性与主张

本文声称，ARFA 通过超越静态或随机分配，填补了实时机器人故障恢复领域的空白。通过动态建模操作员能力并根据观测结果持续更新置信度，该框架：

减少机器人闲置时间： 更快的故障解决带来了更高效的系统运行。
优化人机协作： 确保故障被分配给最适合特定需求（物理、认知或紧迫性）的操作员。
平衡工作量： 防止过度负担特定操作员（尤其是面临频繁中断的本地操作员），从而维持一个可持续的人机生态系统。

作者承认了局限性，指出该框架依赖于简化的能力模型（未能完全捕捉疲劳或非线性认知负荷），并假设故障属于预定义的集合。未来的工作旨在处理包含更多故障类型的不可控场景，并使用更大的团队进行评估。