想象一个机器人与人类并肩工作，像在厨房里的队友一样共享同一工作空间的场景。为了实现这种安全性，机器人需要的不仅仅是摄像头和传感器；它们需要一种能够“感觉到”出问题前兆并立即做出反应的方式，就像我们一样。这就是**人工伤害感知（artificial nociception）**的领域。把它想象成赋予机器人一个数字版的身体痛觉系统。在人类身上，如果你不小心碰到了热炉灶，你的手会在大脑还没意识到被烫伤之前就猛地缩回。这并不是一个有意识的决定，而是一种旨在保护我们的、极速的反射动作。工程师们面临的核心问题是：如果我们赋予机器人这种“痛觉”，它应该如何移动？它应该以一种看起来完全像人类畏缩的方式退缩，还是应该以一种最容易被人类预测和理解的方式移动？
这篇论文通过一个覆盖着敏感类皮肤传感器的机械臂，深入探讨了这一谜题。研究人员想要观察，让机器人像人类一样运动（生物学上的准确性）是否真的是让人们感到安全和自然的最优方式。他们构建了一个系统，使机器人能够“感觉到”触碰，计算出这种触碰有多“痛”，然后执行三种不同的撤回策略。第一种策略是统一反射（Uniform Reflex）：无论你触碰机器人的哪个部位，它总是会以完全相同、可预测的方式向后缩回。第二种是位置依赖型反射（Location-Dependent Reflex）：这个策略试图模仿人类生物学，因此如果你触碰它的“手腕”，它移动手腕和肘部的方式会与触碰其“肩膀”时不同。第三种是笛卡尔反射（Cartesian Reflex）：一种纯粹基于工程学的动作，即被触碰的具体位置会直接从你的手指处滑开，就像冰面上的冰壶一样。
团队邀请了15个人参加一个游戏，他们需要通过触摸机器人的“皮肤”来触发这些反应。研究人员要求参与者对机器人的安全性、自然度和类人性进行评分。结果有些令人惊讶。尽管位置依赖型反射在科学上最“正确”，且看起来最像人类的畏缩，但参与者并没有将其评为最佳。事实上，统一反射——即无论在哪里被触碰都以同样方式运动的策略——被评为最安全、最自然且最像人类的。研究人员认为，对于人类而言，可预测性至高无上。当机器人的动作保持一致且具有典型性时，人们会感到更有掌控感，焦虑感也更低，即便这种运动在生物学上并不完美。另一方面，笛卡尔反射（让被触碰的点直接移开）被认为是对触碰最“恰当”的反应，这可能是因为它在几何逻辑上最合理，尽管这种动作感觉有点过于突兀。
最终，这项研究表明，虽然我们可能希望机器人表现得像人类，但让它们以模仿人类生物学的复杂且多变的方式运动，实际上可能会让它们在我们看来显得不够安全。完美的生物反射可能对人类观察者来说过于复杂，而一个简单、可预测的“抽搐”动作则更容易被我们的大脑处理并信任。作者指出，机器人的皮肤传感器存在一些局限性，例如并不总能完美区分轻微敲击与用力按压，但核心发现依然成立：在人与机器的共舞中，有时最简单、最可预测的步伐才是最让人感到自然的步伐。
技术摘要：针对覆盖皮肤机器人手臂的触觉撤回反射的设计与人类评估
问题陈述
随着协作机器人越来越多地在人类共享的物理空间内运行，安全机制必须超越简单的距离分离或紧急停止。虽然生物性伤害感受（对有害刺激的检测）为人类的保护性撤回提供了一个稳健的模型，但将这一机制转化为具有全身触觉感知能力的机器人系统仍是一个开放性的挑战。具体而言，需要确定如何将来自分布式机器人皮肤的压力信号映射到撤回行为上，使这些行为不仅在功能上是安全的，而且在人类用户看来是自然、安全且可预测的。
方法论
作者在一个覆盖了 AIRSKIN（一种由 10 个压力传感器组成的全身触觉感知系统）的 Universal Robots UR10e 操作臂上实现了一套完整的流水线。该系统架构由三个主要部分组成：
压力-疼痛映射（Pressure-to-Pain Mapping）： 系统将来自皮肤的压力变化 (p) 转换为标量疼痛增益因子 G(p)∈[0,1]。定义了两种模型：
- 离散模型（Discrete Model）： 基于 Serrao 等人的研究，将疼痛分为四个等级（PL 1–4），并设有特定的阈值（2, 6, 12 hPa）。
- 连续模型（Continuous Model）： 利用 Sigmoid 函数提供渐进式的、非线性的响应，这与生物疼痛感知一致，通过在离散等级之间进行插值来确保平滑的增益过渡。
反射控制器（Reflex Controllers）： 实现并比较了三种不同的撤回策略：
- 统一反射（Uniform Reflex, UR）： 一种典型的、与位置无关的运动。一旦检测到接触，前四个关节（基座、肩部、肘部、腕部）会向机器人的基座方向移动一个固定的增量，而无论触摸的位置在哪里。
- 位置相关反射（Location-Dependent Reflex, LR）： 一种受生物启发且基于关节空间的控制器。撤回幅度由疼痛增益 G(p) 和位置相关权重矩阵 W(p,ℓ) 进行缩放。该矩阵根据人类伤害性撤回反射（NWR）文献，将特定的身体区域（肩部、上臂、肘部、腕部）映射到特定的关节激活（例如，肩部前屈、肘部屈曲）。
- 笛卡尔反射（Cartesian Reflex, CR）： 一种工程解决方案，即被接触的皮肤垫沿其表面法线在笛卡尔空间内撤回。该方法利用操作臂的雅可比矩阵来计算关节速度，使接触点直接远离刺激源。
控制架构： 一个有限状态机管理交互过程，在任务状态（TASK）、反射状态（REFLEX，执行撤回）和返回状态（RETURNING，恢复至接触前的姿态）之间进行切换。
人类评估
作者进行了一项针对 15 名参与者的受试者内研究。参与者在一种游戏化的设置中与机器人互动，通过不同压力水平触摸特定的传感器垫。他们使用以下工具对三种情况（UR, LR, CR）进行评估：
- Godspeed 量表： 测量拟人化程度（Anthropomorphism）、生命感（Animacy）、喜爱度（Likeability）和感知安全性（Perceived Safety）。
- 自定义 Likert 量表： 评估自然度/真实感（Naturalness/Realism）、安全性/舒适度（Safety/Comfort）以及反射感知（比例性与类人程度）。
- 强迫选择比较（Forced-Choice Comparisons）： 选择“最自然”、“最像人类”、“最安全”和“最合适”的反应。
- 定性反馈： 关于偏好和不适感的开放式问题。
关键结果
- 可预测性 vs. 生物保真度： 与“生物启发运动会更受欢迎”的假设相反，统一反射（UR） 在拟人化、生命感和喜爱度方面得分最高。在强迫选择比较中，UR 被选为“最像人类”、“最自然”且“感觉最安全”。
- 安全感知： 参与者认为 UR 的安全性更高，理由是其具有可预测性和可控性。位置相关反射（LR）的变化性被一些人解读为具有生命力，但也被另一些人解读为具有不确定性；在某些姿态下，LR 会导致机器人的部分部件向用户方向移动，从而降低了感知安全性。
- 适当性： 笛卡尔反射（CR） 被评为对触摸“最合适”的反应，因为用户直观地理解了被接触的表面正远离刺激源。然而，它也被批评过于突兀。
- 生物启发： 位置相关反射（LR）在所有评估指标中均未领先。作者将其归因于“具身差距（Embodiment Gap）”，即用户无法下意识地将机器人的特定关节运动映射到人类手臂解剖结构上，同时也归因于其行为的复杂性降低了透明度。
意义与主张
本文声称，对于人机交互（HRI）而言，机器人行为的可预测性是用户接受度的关键因素，其重要性可能超过了严格的生物保真度。研究表明，虽然生物启发反射（LR）在理论上是合理的，但如果机器人的形态与人类手臂差异显著，它们可能无法带来更好的用户感知。
作者得出结论：
- 简单、典型的行为（UR）可以被感知为更自然且更安全，因为它们更容易被人类学习和预测。
- 基于笛卡尔空间的撤回（CR）提供了最符合几何逻辑且最合适的触觉反应，尽管需要通过平滑处理来避免突兀感。
- 机器人与人类解剖结构之间的“具身差距”限制了直接生物映射的效果。
这项工作提供了一个经过验证的人工伤害感受流水线，包括代码、数据和视频，证明了设计保护性反射时必须平衡机械安全性与人类的认知预期。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。