Dekodowanie zaufania: Jak modele uczenia maszynowego przewidują komfort człowieka w kolaboracji z robotami

Dekodowanie zaufania: Jak modele uczenia maszynowego przewidują komfort człowieka we współpracy z robotami

W miarę jak Przemysł 5.0 przesuwa punkt ciężkości w stronę produkcji zorientowanej na człowieka, zdolność robotów do oceny ludzkiego zaufania stała się krytycznym wymogiem bezpieczeństwa. Naukowcy z Aalborg University oraz Istituto Italiano di Tecnologia (IIT) opracowali system oparty na danych, który pozwala maszynom interpretować sygnały behawioralne, umożliwiając im dostosowanie ruchów i budowanie relacji z ludzkimi operatorami w czasie rzeczywistym. Wykraczając poza tradycyjne ankiety przeprowadzane po interakcji, zespół z powodzeniem wykazał, że maszyny mogą mierzyć niematerialną cechę ludzkiego zaufania poprzez parametry ruchu fizycznego i interakcji, osiągając wysoki poziom dokładności predykcyjnej w wymagających środowiskach przemysłowych.

Ewolucja Przemysłu 5.0

Krajobraz przemysłowy przechodzi obecnie zmianę paradygmatu z Przemysłu 4.0 – który priorytetyzował hiperwydajność i masową automatyzację – w stronę bardziej subtelnych celów Przemysłu 5.0. Ta nowa era kładzie nacisk na produkcję zorientowaną na człowieka, w której roboty współpracujące (koboty) nie są jedynie narzędziami, lecz partnerami pracującymi ramię w ramię z operatorami. Przejście to wymaga głębokiego skupienia się na bezpieczeństwie w miejscu pracy, ergonomii i komforcie psychicznym. W środowisku współpracy „ślepa” automatyzacja już nie wystarcza; robot, który porusza się zbyt szybko lub zbyt blisko operatora, może wywoływać stres, prowadzić do błędów ludzkich, a nawet powodować obrażenia fizyczne.

Zaufanie jest kluczowym elementem tej interakcji. Zgodnie z definicją badaczy z tej dziedziny, zaufanie to przekonanie, że dany podmiot będzie wspierać cele człowieka, szczególnie w sytuacjach niepewnych lub wymagających wrażliwości. W ustawieniach przemysłowych brak równowagi zaufania jest niebezpieczny: zbyt niskie zaufanie może prowadzić do przeciążenia operatora, ponieważ pracownicy mikrozarządzają maszyną, natomiast nadmierne zaufanie może skutkować samozadowoleniem i zagrożeniami dla bezpieczeństwa. Aby zaradzić temu problemowi, zespół badawczy, w skład którego weszli Giulio Campagna i Arash Ajoudani, starał się stworzyć system pozwalający robotom wyczuwać te subtelne stany psychiczne i odpowiednio kalibrować ich zachowanie.

Mechanika modelowania zaufania

Trzon badania, opublikowanego niedawno w IEEE Robotics and Automation Letters, koncentruje się wokół nowatorskiego systemu opartego na danych, zaprojektowanego do oceny zaufania poprzez wskaźniki behawioralne. Jego sercem jest algorytm optymalizacji oparty na preferencjach (Preference-Based Optimization – PBO). W przeciwieństwie do tradycyjnych modeli, które mogą zgadywać preferencje użytkownika, algorytm PBO generuje konkretne trajektorie robota, a następnie aktywnie prosi operatora o opinię. Tworzy to pętlę sprzężenia zwrotnego, w której robot uczy się, jakie ruchy – takie jak określony czas wykonania zadania czy dystans separacji – są postrzegane przez ludzkiego partnera jako godne zaufania.

Badania zostały przeprowadzone przez multidyscyplinarny zespół, w skład którego weszły Marta Lagomarsino i Marta Lorenzini z Human-Robot Interfaces and Interaction Lab w IIT, wraz z naukowcami z Human-Robot Interaction Lab na Aalborg University. Poprzez przełożenie subiektywnych ludzkich odczuć na matematyczne parametry interakcji, zespół wypełnił lukę między ludzką psychologią a sterowaniem robotami. System optymalizuje trzy kluczowe zmienne: czas wykonania zadania przez robota, fizyczną odległość między człowiekiem a maszyną oraz pionową bliskość efektora końcowego robota względem głowy użytkownika.

Przekładanie zachowania na dane

Znaczącym wyzwaniem w robotyce jest przejście od obserwacji jakościowej do ilościowego modelowania predykcyjnego. Aby je pokonać, badacze zidentyfikowali konkretne wskaźniki behawioralne – pochodzące zarówno z języka ciała człowieka, jak i własnego ruchu robota – które sygnalizują poziom zaufania. Czynniki związane z człowiekiem były śledzone za pomocą przechwytywania ruchu całego ciała, monitorując głowę i górną część ciała pod kątem oznak wahania lub komfortu. Wskaźniki te zostały następnie sparowane z charakterystyką ruchu robota, aby zapewnić holistyczny obraz współpracy.

Wykorzystując bezpośrednie opinie operatorów jako „prawdę bazową”, badacze wytrenowali modele uczenia maszynowego do rozpoznawania fizycznych sygnatur zaufania. Główny autor Giulio Campagna i jego koledzy skupili się na dynamicznej zależności między tym, jak człowiek porusza się w odpowiedzi na ścieżkę robota. Metodologia ta pozwala modelowi przewidywać preferencje dotyczące zaufania nawet wtedy, gdy operator nie przekazuje aktywnych informacji zwrotnych, zmieniając ciche zachowanie fizyczne w bogaty strumień danych, który informuje robota o jego kolejnym ruchu.

Studium przypadku: Symulacja w przemyśle chemicznym

Aby przetestować system w realistycznym środowisku o wysokiej stawce, zespół wdrożył scenariusz obejmujący niebezpieczne zadanie mieszania chemikaliów. W tej symulacji manipulator robotyczny pomagał ludzkiemu operatorowi w nalewaniu i transportowaniu odczynników chemicznych. Środowisko to zostało wybrane celowo, ponieważ potencjalne niebezpieczeństwo – a tym samym konieczność zaufania – jest z natury wysokie. Eksperyment polegał na śledzeniu ruchu całego ciała operatora, podczas gdy robot wykonywał różne trajektorie w oparciu o parametry algorytmu PBO.

Wyniki były przekonujące. Zespół badawczy ocenił kilka modeli uczenia maszynowego, przy czym „klasyfikator głosujący” (Voting Classifier) osiągnął wyróżniający się wskaźnik dokładności wynoszący 84,07%. Co może bardziej imponujące, model odnotował wynik pola pod krzywą ROC (AUC-ROC) na poziomie 0,90, co jest wskaźnikiem świadczącym o wysokim poziomie niezawodności i dużej zdolności do rozróżniania różnych poziomów zaufania. Metryki te sugerują, że system nie tylko zgaduje, ale dokładnie dekoduje związek między ludzkim ruchem a wewnętrznymi stanami zaufania.

Przyszłe implikacje dla bezpieczeństwa w miejscu pracy

Implikacje tych badań wykraczają daleko poza laboratorium. Integrując wykrywanie zaufania w czasie rzeczywistym z robotami przemysłowymi, firmy mogą znacząco poprawić bezpieczeństwo w miejscu pracy. Robot, który wyczuje dyskomfort operatora, może autonomicznie spowolnić swoje ruchy lub zwiększyć dystans, redukując obciążenie poznawcze i stres operatora. Tworzy to system „pętli zamkniętej”, w którym robot stale kalibruje swoje zachowanie, aby utrzymać optymalny poziom zaufania, zapobiegając wypadkom, które często wynikają z tarć na linii człowiek-robot.

Ponadto, wykorzystanie w badaniu wartości SHAP (SHapley Additive exPlanations) dodaje warstwę wyjaśnialności do sztucznej inteligencji. Pozwala to badaczom zobaczyć, które dokładnie wskaźniki behawioralne – takie jak prędkość wycofywania się człowieka czy kąt nachylenia głowy – mają największy wpływ na wynik zaufania. W miarę jak Arash Ajoudani i zespół z IIT będą dalej udoskonalać te modele, uwaga prawdopodobnie skupi się na personalizacji. Przyszłe systemy mogą być w stanie dostosować się do unikalnych cech osobowości i reakcji emocjonalnych poszczególnych pracowników, sprzyjając tworzeniu bardziej intuicyjnego i odpornego ekosystemu współpracy. W świecie Przemysłu 5.0 najbardziej wydajnym robotem może wkrótce okazać się ten, który najlepiej rozumie swojego ludzkiego partnera.