Avkodning av tillit: Hur maskininlärningsmodeller förutspår mänsklig bekvämlighet i robotsamarbete

Avkodning av tillit: Hur maskininlärningsmodeller förutsäger mänsklig bekvämlighet vid robotsamarbete

I takt med att Industri 5.0 skiftar fokus mot människo-centrerad tillverkning, har robotars förmåga att bedöma mänsklig tillit blivit ett kritiskt säkerhetskrav. Forskare från Ålborgs universitet och Istituto Italiano di Tecnologia (IIT) har utvecklat ett datadrivet ramverk som gör det möjligt för maskiner att tolka beteendemässiga ledtrådar, vilket låter dem justera sina rörelser och bygga ett samspel med mänskliga operatörer i realtid. Genom att gå bortom traditionella enkäter efter interaktion har teamet framgångsrikt visat att maskiner kan kvantifiera den immateriella egenskapen mänsklig tillit genom fysiska rörelse- och interaktionsparametrar, och uppnå hög prediktiv noggrannhet i industriella miljöer med höga krav.

Utvecklingen av Industri 5.0

Det industriella landskapet genomgår för närvarande ett paradigmskifte från Industri 4.0 – som prioriterade hypereffektivitet och massautomatisering – mot de mer nyanserade målen i Industri 5.0. Denna nya era betonar människo-centrerad tillverkning, där kollaborativa robotar (cobotar) inte bara är verktyg, utan partners som arbetar sida vid sida med mänskliga operatörer. Denna övergång nödvändiggör ett djupt fokus på säkerhet på arbetsplatsen, ergonomi och psykologisk bekvämlighet. I en kollaborativ miljö är "blind" automatisering inte längre tillräcklig; en robot som rör sig för snabbt eller för nära en operatör kan framkalla stress, leda till mänskliga fel eller till och med orsaka fysisk skada.

Tillit är kärnan i denna interaktion. Som det definieras av forskare inom området är tillit bron på att en agent kommer att stödja en persons mål, särskilt i osäkra eller sårbara situationer. I industriella miljöer är en obalans i tillit farlig: för låg tillit kan leda till överbelastning för operatören när arbetare detaljstyr maskinen, medan för hög tillit kan resultera i självbelåtenhet och säkerhetsrisker. För att hantera detta försökte forskarteamet, inklusive Giulio Campagna och Arash Ajoudani, skapa ett system som gör det möjligt för robotar att känna av dessa subtila psykologiska tillstånd och kalibrera om sitt beteende därefter.

Mekaniken bakom modellering av tillit

Kärnan i studien, som nyligen publicerades i IEEE Robotics and Automation Letters, kretsar kring ett nytt datadrivet ramverk utformat för att bedöma tillit genom beteendeindikatorer. Centralt är en algoritm för preferensbaserad optimering (PBO). Till skillnad från traditionella modeller som kan gissa en användares preferenser, genererar PBO-algoritmen specifika robotbanor och efterfrågar sedan aktivt feedback från operatören. Detta skapar en återkopplingsloop där roboten lär sig vilka rörelser – såsom specifika exekveringstider eller separationsavstånd – som uppfattas som pålitliga av den mänskliga partnern.

Forskningen utfördes av ett tvärvetenskapligt team inklusive Marta Lagomarsino och Marta Lorenzini från Human-Robot Interfaces and Interaction Lab vid IIT, tillsammans med forskare från Ålborgs universitets Human-Robot Interaction Lab. Genom att kvantifiera subjektiva mänskliga känslor till matematiska interaktionsparametrar har teamet överbryggat gapet mellan mänsklig psykologi och robotstyrning. Ramverket optimerar tre nyckelvariabler: robotens exekveringstid, det fysiska avståndet mellan människan och maskinen, samt det vertikala avståndet mellan robotens end-effector och användarens huvud.

Att översätta beteende till data

En betydande utmaning inom robotik är övergången från kvalitativ observation till kvantitativ prediktiv modellering. För att övervinna detta identifierade forskarna specifika beteendeindikatorer – härledda från både människans kroppsspråk och robotens egna rörelser – som signalerar nivåer av tillit. Mänskliga faktorer spårades med hjälp av rörelsefångst av hela kroppen, där huvud och överkropp övervakades för tecken på tvekan eller bekvämlighet. Dessa indikatorer parades sedan ihop med robotens rörelsekarakteristika för att ge en holistisk bild av samarbetet.

Genom att använda explicit feedback från operatören som "ground truth", tränade forskarna maskininlärningsmodeller för att känna igen de fysiska signaturerna för tillit. Huvudförfattaren Giulio Campagna och hans kollegor fokuserade på det dynamiska förhållandet mellan hur en människa rör sig som svar på en robots bana. Denna metodik gör det möjligt för modellen att förutsäga tillitspreferenser även när operatören inte ger aktiv feedback, vilket förvandlar tyst fysiskt beteende till en rik dataström som informerar robotens nästa drag.

Fallstudie: Simulering inom kemisk industri

För att testa ramverket i en realistisk miljö med höga krav implementerade teamet ett scenario som innefattade den riskfyllda uppgiften att blanda kemikalier. I denna simulering hjälpte en robotmanipulator en mänsklig operatör att hälla och transportera kemiska agens. Denna miljö valdes specifikt eftersom potentialen för fara – och därmed behovet av tillit – är naturligt hög. Experimentet innebar att operatörens helkroppsrörelser spårades medan roboten utförde varierande rörelsebanor baserade på PBO-algoritmens parametrar.

Resultaten var övertygande. Forskarteamet utvärderade flera maskininlärningsmodeller, där "Voting Classifier" uppnådde en enastående noggrannhetsgrad på 84,07 %. Kanske ännu mer imponerande var att modellen registrerade ett Area Under the ROC Curve (AUC-ROC)-värde på 0,90, ett mått som indikerar en hög nivå av tillförlitlighet och en stark förmåga att skilja mellan olika tillitsnivåer. Dessa mätvärden tyder på att ramverket inte bara gissar, utan noggrant avkodar förhållandet mellan mänsklig rörelse och interna tillitstillstånd.

Framtida implikationer för säkerhet på arbetsplatsen

Implikationerna av denna forskning sträcker sig långt utanför laboratoriet. Genom att integrera realtidsavkänning av tillit i industrirobotar kan företag avsevärt förbättra säkerheten på arbetsplatsen. En robot som känner av en operatörs obehag kan autonomt sakta ner sina rörelser eller öka sitt avstånd, vilket minskar operatörens kognitiva belastning och stress. Detta skapar ett "closed-loop"-system där roboten ständigt kalibrerar om sitt beteende för att bibehålla en optimal nivå av tillit, vilket förhindrar olyckor som ofta härrör från friktion mellan människa och robot.

Vidare tillför användningen av SHAP-värden (SHapley Additive exPlanations) i studien ett lager av förklarbarhet till AI:n. Detta gör det möjligt för forskare att se exakt vilka beteendeindikatorer – såsom hastigheten på en människas tillbakadragande eller vinkeln på deras huvud – som mest påverkar tillitspoängen. När Arash Ajoudani och teamet vid IIT fortsätter att förfina dessa modeller kommer fokus sannolikt att skiftas mot personalisering. Framtida system kan komma att kunna anpassa sig till de unika personlighetsdragen och känslomässiga reaktionerna hos enskilda arbetare, vilket främjar ett mer intuitivt och motståndskraftigt kollaborativt ekosystem. I Industri 5.0-världen kan den mest effektiva roboten snart vara den som förstår sin mänskliga partner bäst.