Decodificare la fiducia: come i modelli di machine learning prevedono il comfort umano nella collaborazione robotica

Decodificare la fiducia: come i modelli di machine learning prevedono il comfort umano nella collaborazione con i robot

Mentre l'Industria 5.0 sposta l'attenzione verso una produzione incentrata sull'uomo, la capacità dei robot di valutare la fiducia umana è diventata un requisito di sicurezza fondamentale. I ricercatori della Aalborg University e dell'Istituto Italiano di Tecnologia (IIT) hanno sviluppato un framework basato sui dati che consente alle macchine di interpretare i segnali comportamentali, permettendo loro di regolare i propri movimenti e costruire una sintonia con gli operatori umani in tempo reale. Superando i tradizionali sondaggi post-interazione, il team ha dimostrato con successo che le macchine possono quantificare la qualità intangibile della fiducia umana attraverso il movimento fisico e i parametri di interazione, raggiungendo elevati livelli di accuratezza predittiva in ambienti industriali ad alto rischio.

L'evoluzione dell'Industria 5.0

Il panorama industriale sta attualmente attraversando un cambiamento di paradigma dall'Industria 4.0 — che privilegiava l'iper-efficienza e l'automazione di massa — verso gli obiettivi più sfumati dell'Industria 5.0. Questa nuova era pone l'accento sulla produzione incentrata sull'uomo, dove i robot collaborativi (cobot) non sono semplici strumenti, ma partner che lavorano a fianco degli operatori umani. Questa transizione richiede una profonda attenzione alla sicurezza sul posto di lavoro, all'ergonomia e al comfort psicologico. In un contesto collaborativo, l'automazione "cieca" non è più sufficiente; un robot che si muove troppo velocemente o troppo vicino a un operatore può indurre stress, portare a errori umani o persino causare danni fisici.

La fiducia è il fulcro di questa interazione. Come definito dai ricercatori del settore, la fiducia è la convinzione che un agente sosterrà gli obiettivi di una persona, in particolare in situazioni incerte o vulnerabili. Nei contesti industriali, uno squilibrio di fiducia è pericoloso: una fiducia insufficiente può portare al sovraccarico dell'operatore che si ritrova a micro-gestire la macchina, mentre una fiducia eccessiva può sfociare in compiacenza e rischi per la sicurezza. Per affrontare questo problema, il team di ricerca, tra cui Giulio Campagna e Arash Ajoudani, ha cercato di creare un sistema che consenta ai robot di percepire questi sottili stati psicologici e ricalibrare il proprio comportamento di conseguenza.

La meccanica della modellazione della fiducia

Il cuore dello studio, pubblicato recentemente in IEEE Robotics and Automation Letters, ruota attorno a un nuovo framework basato sui dati, progettato per valutare la fiducia attraverso indicatori comportamentali. Al centro di esso si trova un algoritmo di Preference-Based Optimization (PBO). A differenza dei modelli tradizionali che potrebbero ipotizzare le preferenze di un utente, l'algoritmo PBO genera specifiche traiettorie del robot e poi sollecita attivamente il feedback dell'operatore. Ciò crea un ciclo di feedback in cui il robot apprende quali movimenti — come specifici tempi di esecuzione o distanze di separazione — sono percepiti come affidabili dal partner umano.

La ricerca è stata condotta da un team multidisciplinare che comprende Marta Lagomarsino e Marta Lorenzini del Human-Robot Interfaces and Interaction Lab dell'IIT, insieme ai ricercatori dell'Human-Robot Interaction Lab della Aalborg University. Quantificando i sentimenti soggettivi umani in parametri matematici di interazione, il team ha colmato il divario tra la psicologia umana e il controllo robotico. Il framework ottimizza tre variabili chiave: il tempo di esecuzione del robot, la distanza fisica tra l'uomo e la macchina e la prossimità verticale dell'end-effector del robot rispetto alla testa dell'utente.

Tradurre il comportamento in dati

Una sfida significativa nella robotica è il passaggio dall'osservazione qualitativa alla modellazione predittiva quantitativa. Per superare questo ostacolo, i ricercatori hanno identificato specifici indicatori comportamentali — derivati sia dal linguaggio del corpo dell'uomo che dal movimento stesso del robot — che segnalano i livelli di fiducia. I fattori relativi all'uomo sono stati tracciati utilizzando il motion capture total-body, monitorando la testa e la parte superiore del corpo per individuare segni di esitazione o comfort. Questi indicatori sono stati poi accoppiati alle caratteristiche di movimento del robot per fornire una visione olistica della collaborazione.

Utilizzando il feedback esplicito dell'operatore come "ground truth", i ricercatori hanno addestrato modelli di machine learning a riconoscere le firme fisiche della fiducia. L'autore principale Giulio Campagna e i suoi colleghi si sono concentrati sulla relazione dinamica tra il modo in cui un essere umano si muove in risposta al percorso di un robot. Questa metodologia consente al modello di prevedere le preferenze di fiducia anche quando l'operatore non fornisce un feedback attivo, trasformando il silenzioso comportamento fisico in un ricco flusso di dati che informa la mossa successiva del robot.

Caso di studio: simulazione nell'industria chimica

Per testare il framework in un ambiente realistico ad alto rischio, il team ha implementato uno scenario che coinvolgeva il compito pericoloso di miscelare sostanze chimiche. In questa simulazione, un manipolatore robotico assisteva un operatore umano nel versare e trasportare agenti chimici. Questo ambiente è stato scelto specificamente perché il potenziale di pericolo — e quindi la necessità di fiducia — è intrinsecamente alto. L'esperimento ha comportato il tracciamento del movimento dell'intero corpo dell'operatore mentre il robot eseguiva diverse traiettorie basate sui parametri dell'algoritmo PBO.

I risultati sono stati convincenti. Il team di ricerca ha valutato diversi modelli di machine learning, con il "Voting Classifier" che ha raggiunto un tasso di accuratezza eccezionale dell'84,07%. Cosa forse ancora più impressionante, il modello ha registrato un punteggio Area Under the ROC Curve (AUC-ROC) di 0,90, una metrica che indica un alto livello di affidabilità e una forte capacità di distinguere tra diversi livelli di fiducia. Questi parametri suggeriscono che il framework non sta solo tirando a indovinare, ma sta decodificando accuratamente la relazione tra il movimento umano e gli stati di fiducia interni.

Implicazioni future per la sicurezza sul lavoro

Le implicazioni di questa ricerca vanno ben oltre il laboratorio. Integrando il rilevamento della fiducia in tempo reale nei robot industriali, le aziende possono migliorare significativamente la sicurezza sul posto di lavoro. Un robot che percepisce il disagio di un operatore può rallentare autonomamente i propri movimenti o aumentare la propria distanza, riducendo il carico cognitivo e lo stress dell'operatore. Ciò crea un sistema a "circuito chiuso" in cui il robot ricalibra costantemente il proprio comportamento per mantenere il livello ottimale di fiducia, prevenendo gli incidenti che spesso derivano dall'attrito uomo-robot.

Inoltre, l'uso dei valori SHAP (SHapley Additive exPlanations) nello studio aggiunge uno strato di spiegabilità all'IA. Ciò consente ai ricercatori di vedere esattamente quali indicatori comportamentali — come la velocità con cui un umano si ritrae o l'angolo della testa — influenzano maggiormente il punteggio di fiducia. Mentre Arash Ajoudani e il team dell'IIT continuano a perfezionare questi modelli, l'attenzione si sposterà probabilmente verso la personalizzazione. I sistemi futuri potrebbero essere in grado di adattarsi ai tratti della personalità e alle risposte emotive uniche dei singoli lavoratori, favorendo un ecosistema collaborativo più intuitivo e resiliente. Nel mondo dell'Industria 5.0, il robot più efficiente potrebbe presto essere quello che comprende meglio il proprio partner umano.