⚡ electrical engineering

Empirical Prediction of Pedestrian Comfort in Mobile Robot Pedestrian Encounters

该研究通过实证实验分析了移动机器人与行人交互的运动学变量与行人主观舒适度之间的显著相关性，并据此构建了包含最小距离、最小碰撞时间及复合估计器的三种舒适度预测模型，其中复合模型表现最佳，为将行人情感纳入路径规划以实现更具社会适应性的机器人提供了量化依据。

原作者： Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

发布于 2026-04-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Alireza Jafari, Hong-Son Nguyen, Yen-Chen Liu

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

这篇论文就像是在教未来的机器人如何做一个“有眼力见儿”的社交达人，而不是一个只会撞人的冷冰冰的铁疙瘩。

想象一下，你走在人行道上，突然一个机器人朝你冲过来。你是会感到安心，还是吓得跳开？以前的机器人研究只关心"别撞到人"（客观安全），就像开车只关心“别追尾”一样。但这篇论文说：“光不撞人还不够，你得让人心里舒服（主观舒适）才行。”

为了搞清楚机器人怎么做才能让路人心里不慌，作者们做了一组有趣的实验，并得出了几个关键发现。我们可以用几个生动的比喻来理解：

1. 核心挑战：如何测量“心里的感觉”？

这就好比你要给一道菜打分，不能只看它熟没熟（客观数据），还得看食客觉得好不好吃（主观感受）。

以前的做法：机器人只盯着“我和人还有多远”，只要距离大于 0.5 米，就觉得自己很安全。
这篇论文的做法：他们让志愿者和机器人面对面走，然后问志愿者：“刚才那个瞬间，你心里慌不慌？”（1 到 5 分打分）。同时，机器人记录下自己当时的所有动作数据。

2. 六大“动作指标”：谁最影响心情？

研究人员像侦探一样，分析了机器人动作的六个方面，看看哪个最让人紧张：

速度：机器人跑得快不快？（越快越吓人）
最近距离：机器人离人最近时有多近？（越近越慌）
侧向距离：机器人是从人侧面擦过，还是正对着脸冲过来？
转弯急缓：机器人转弯是像老司机一样顺滑，还是像喝醉了一样急转弯？
碰撞倒计时 (PTTC)：这是一个很酷的概念。想象你在开车，如果前方有车，你心里会想“还有几秒会撞上？”。这个指标就是机器人心里算的“还有几秒会撞到人”。研究发现，这个指标最能预测路人是否舒服！ 如果机器人算出“还有很久才可能撞上”，路人就放心了。
关键时刻的距离：在那个“碰撞倒计时”最短的时刻，机器人离人有多远？

结论：虽然“离得有多近”很重要，但"还有多久可能撞上"（PTTC）这个时间概念，对路人心理的影响最大。就像你看到一辆车离你很近但开得慢，可能比一辆车离你远但开得飞快更让人安心。

3. 三个“舒适预测器”：机器人的大脑升级

基于实验数据，作者设计了三个给机器人用的“舒适计算器”，用来判断现在的路线让路人舒不舒服：

计算器 A（只看距离）：就像老式雷达，只要离得远就说“安全”。
- 缺点：太死板。有时候离得远但速度太快，人还是怕。
计算器 B（只看时间）：只盯着“碰撞倒计时”。
- 优点：比 A 准一点，因为它考虑了速度。
计算器 C（全能大师）：这是这篇论文的大明星。它把上面所有的指标（距离、速度、时间、转弯等）全部加在一起，综合打分。
- 战绩：它的准确率最高。论文里有个很厉害的数据：如果这个“全能计算器”说“现在很安全”，那么路人真的感到舒服的概率，是它说“不安全”时的 3.67 倍。
- 比喻：这就好比一个经验丰富的老交警，他不仅看车距，还看车速、看路况、看司机表情，综合判断后说“没事”，那基本就是真没事。

4. 这对未来意味着什么？

以前，机器人的导航算法就像个只会做数学题的学霸，只算“怎么不走直线撞墙”。
现在，有了这个“舒适预测器”，机器人的导航算法就能像个高情商的社交达人：

当它发现路人有点紧张时，它会主动减速、绕个大弯，或者稍微停一下，而不是硬生生地挤过去。
它能在规划路线时，把“让人心里舒服”作为一个加分项。

总结

这篇论文就像给机器人装了一颗“同理心”的芯片。它告诉我们，真正的安全不仅仅是物理上不碰撞，更是心理上不焦虑。通过综合考量距离、速度和时间，未来的机器人将不再是让人避之不及的“铁怪物”，而是能和谐融入我们生活的“好邻居”。

以下是基于论文《Empirical Prediction of Pedestrian Comfort in Mobile Robot–Pedestrian Encounters》（移动机器人与行人遭遇中的行人舒适度经验预测）的详细技术总结：

1. 研究背景与问题 (Problem)

随着移动机器人进入人行道、医院等公共空间，行人舒适度（Pedestrian Comfort） 已成为社会机器人导航的关键挑战。

现状不足： 现有的路径规划算法主要关注客观安全（如避免碰撞），往往忽视了行人的主观安全感或舒适度。
核心难点： 量化人类情感（如焦虑、不适）非常困难，导致机器人难以理解行人的感受并规划出符合社会规范的轨迹。
研究缺口： 以往研究多集中于“最小距离”这一单一变量，且多在低速下进行。对于速度、横向距离、轨迹曲率以及投影碰撞时间（PTTC） 等运动学变量对舒适度的综合影响，缺乏系统的实证研究。

2. 方法论 (Methodology)

A. 实验设置

硬件平台： 使用 Agilex Scout Mini 移动机器人，配备深度相机（StereoLabs Zedx）、2D 和 3D 激光雷达（LiDAR）以及 Nvidia Jetson AGX Orin 处理单元。
实验环境： 3.2 米宽的走廊。
参与者： 32 名志愿者（22 男，10 女，年龄 23-41 岁）。
实验流程：
- 机器人与行人面对面相遇并交错通过。
- 机器人速度设定为两种恒定条件：R14 (1.4 m/s) 和 R28 (2.8 m/s)。选择较高速度是为了减少人类对危险判断的随机性，使反应更集中。
- 参与者通过 1-5 的 Likert 量表报告每次遭遇的舒适度（1=最危险，5=最舒适）。
- 共进行 160 次试验（部分数据因传感器故障被剔除）。

B. 关键运动学变量 (Kinematic Variables)

研究定义了六个客观运动学变量，旨在捕捉交互的不同维度：

机器人速度 ( $v$ )： 恒定速度。
最小距离 ( $D_{min}$ )： 机器人与行人之间的相对欧几里得距离的最小值（基于近体学理论）。
横向距离 ( $D_{lat}$ )： 交错通过时刻的垂直距离。
最大轨迹曲率 ( $\rho$ )： 机器人轨迹的最大曲率（衡量运动平滑度）。
最小投影碰撞时间 ( $T_p$ )： 基于 e-scooter 研究引入的时间变量，表示预测发生碰撞的最短时间。
最小 PTTC 时刻的距离 ( $D_{Tp}$ )： 在 $T_p$ 时刻机器人与行人之间的距离（本文新引入变量）。

C. 数据分析与预测器设计

统计方法： 使用距离相关性（Distance Correlation, dCor） 结合置换检验（Permutation Testing），以处理非线性、非单调关系及序数变量（Likert 量表）。
舒适度二值化： 将报告分数 $\ge 4$ 定义为“舒适”（ $S_E=1$ ），否则为“不舒适”（ $S_E=0$ ）。
三种预测器构建：
1. 最小距离预测器 ( $\hat{S}_d$ )： 仅基于 $D_{min}$ （设定阈值 $\ge 1.0$ m）。
2. 最小 PTTC 预测器 ( $\hat{S}_t$ )： 仅基于 $T_p$ （设定阈值 $\ge 0.7$ s）。
3. 复合预测器 ( $\hat{S}_E$ )： 结合所有六个变量。通过人工分箱（Binning）为每个变量的不同区间分配权重，计算综合得分 $E$ ，设定阈值 $E \ge 4$ 判定为舒适。

3. 关键结果 (Results)

A. 变量相关性分析

最强相关性： 最小 PTTC ( $T_p$ ) 与舒适度表现出最强的相关性（dCor = 0.269, p = 0.002）。这意味着行人越觉得有足够的时间避免碰撞，越感到舒适。
次强变量： 机器人速度 ( $v$ ) 和最小距离 ( $D_{min}$ ) 也显示出中等但显著的相关性。速度越快，舒适度越低；距离越近，舒适度越低。
弱/不显著变量： 横向距离 ( $D_{lat}$ ) 和最大曲率 ( $\rho$ ) 的统计显著性较低，尽管数据趋势显示存在“倒 U 型”关系（即存在一个最优距离或曲率范围，而非单纯的越远/越平越好）。
新变量验证： $D_{Tp}$ （最小 PTTC 时刻的距离）也显示出显著的相关性，表明该时刻的空间关系对舒适度有补充作用。

B. 预测器性能对比

通过准确率、精确率、召回率、特异性和 F1 分数进行评估：

复合预测器 ( $\hat{S}_E$ ) 表现最佳：
- F1 分数： 0.723（显著高于单一变量预测器）。
- 优势比 (Odds Ratio)： 3.67。这意味着当复合预测器判定行人为“舒适”时，行人实际上感到舒适的几率是判定为“不舒适”时的 3.67 倍。
- 卡方检验： $\chi^2 = 11.87$ (p = 0.0006)，统计显著性远高于单一变量模型。
单一变量预测器： 仅基于最小距离 ( $\hat{S}_d$ ) 的预测器表现次之（F1=0.599），仅基于 PTTC ( $\hat{S}_t$ ) 的预测器表现最差（F1=0.467），尽管 $T_p$ 的原始相关性最高，但简单的二值化阈值可能丢失了部分信息。

4. 主要贡献 (Key Contributions)

实证研究： 首次系统性地量化了包括 PTTC、横向距离、曲率等在内的多种运动学变量对移动机器人 - 行人交互中主观舒适度的影响，填补了除“最小距离”外其他变量的研究空白。
发现关键指标： 证实了最小投影碰撞时间 (PTTC) 是比传统最小距离更强的舒适度预测指标，特别是在较高速度下。
提出复合预测器： 设计并验证了一个基于多变量权重的复合舒适度估算器。该模型在分类性能上优于单一变量模型，证明了结合时空变量能更全面地捕捉人类舒适度。
提供量化框架： 为路径规划算法提供了一种将行人情感纳入成本函数（Cost Function）的量化方法，使机器人能生成更具社会合规性（Socially Compliant）的轨迹。

5. 意义与局限性 (Significance & Limitations)

意义

社会机器人导航： 该研究为移动机器人从“仅仅不撞人”进化到“让人舒服地通过”提供了理论依据和算法工具。
路径规划优化： 复合预测器可直接集成到强化学习或基于优化的路径规划器中，通过奖励舒适路径来生成更自然的机器人行为。
理论扩展： 挑战了仅依赖最小距离的传统近体学观点，引入了时间维度（PTTC）作为核心安全/舒适指标。

局限性

样本偏差： 参与者多为志愿者且对机器人有一定熟悉度，可能存在积极偏差；样本量（32 人）和性别/年龄分布不够均衡。
实验控制： 机器人由人工遥控，而非完全自主，可能导致运动模式与真实自主机器人存在差异。
参数设置： 仅测试了两个速度等级，且预测器的阈值和权重是通过人工分箱（Manual Binning）设定的，可能引入了主观性，未使用机器学习进行端到端训练。
数据评估： 预测器是在同一数据集上开发和评估的，缺乏独立的训练/测试集划分，可能存在过拟合风险。

总结

该论文通过严谨的实证实验，揭示了移动机器人运动学特征与行人主观舒适度之间的复杂关系。研究结果表明，综合考虑时间（PTTC）和空间（距离、曲率）变量的复合模型能最准确地预测行人舒适度。这一成果为开发更智能、更具同理心的社会机器人导航系统奠定了重要基础。