Güvenin Şifresini Çözmek: Makine Öğrenmesi Modelleri Robot İş Birliğinde İnsan Konforunu Nasıl Tahmin Ediyor?

Güveni Çözmek: Makine Öğrenimi Modelleri Robot İş Birliğinde İnsan Konforunu Nasıl Öngörüyor?

Endüstri 5.0 odağı insan merkezli üretime kaydırırken, robotların insan güvenini ölçme yeteneği kritik bir güvenlik gereksinimi haline geldi. Aalborg University ve Istituto Italiano di Tecnologia'dan (IIT) araştırmacılar, makinelerin davranışsal ipuçlarını yorumlamasına olanak tanıyan veri odaklı bir çerçeve geliştirdi; bu çerçeve, makinelerin hareketlerini ayarlamasına ve insan operatörlerle gerçek zamanlı olarak uyum kurmasına imkan sağlıyor. Geleneksel etkileşim sonrası anketlerin ötesine geçen ekip, makinelerin fiziksel hareket ve etkileşim parametreleri aracılığıyla insan güveninin somut olmayan niteliğini ölçebileceğini ve yüksek riskli endüstriyel ortamlarda yüksek düzeyde öngörücü doğruluk elde edebileceğini başarıyla gösterdi.

Endüstri 5.0'ın Evrimi

Endüstriyel manzara şu anda, aşırı verimlilik ve kitlesel otomasyona öncelik veren Endüstri 4.0'dan, Endüstri 5.0'ın daha incelikli hedeflerine doğru bir paradigma değişimi yaşıyor. Bu yeni dönem, kolaboratif robotların (cobotlar) sadece araçlar değil, insan operatörlerle birlikte çalışan ortaklar olduğu insan merkezli üretime vurgu yapıyor. Bu geçiş, iş yeri güvenliği, ergonomi ve psikolojik konfor üzerine derin bir odaklanmayı gerektiriyor. Kolaboratif bir ortamda, "kör" otomasyon artık yeterli değil; çok hızlı veya bir operatöre çok yakın hareket eden bir robot strese neden olabilir, insan hatasına yol açabilir ve hatta fiziksel zarar verebilir.

Güven, bu etkileşimin temel taşıdır. Alandaki araştırmacılar tarafından tanımlandığı üzere güven, bir temsilcinin, özellikle belirsiz veya savunmasız durumlarda kişinin hedeflerini destekleyeceği inancıdır. Endüstriyel ortamlarda güven dengesizliği tehlikelidir: az güven, çalışanların makineyi mikro düzeyde yönetmesiyle operatör aşırı yüklenmesine yol açabilirken, aşırı güven kayıtsızlığa ve güvenlik risklerine neden olabilir. Bu durumu ele almak için Giulio Campagna ve Arash Ajoudani'nin de aralarında bulunduğu araştırma ekibi, robotların bu hassas psikolojik durumları algılamasına ve davranışlarını buna göre yeniden kalibre etmesine olanak tanıyan bir sistem oluşturmayı hedefledi.

Güven Modellemesinin Mekaniği

Yakın zamanda IEEE Robotics and Automation Letters'da yayımlanan çalışmanın merkezinde, güveni davranışsal göstergeler aracılığıyla değerlendirmek için tasarlanmış yeni bir veri odaklı çerçeve yer alıyor. Bunun temelinde Tercih Tabanlı Optimizasyon (PBO) algoritması bulunuyor. Kullanıcının tercihlerini tahmin etmeye çalışan geleneksel modellerin aksine, PBO algoritması belirli robot yörüngeleri oluşturuyor ve ardından aktif olarak operatör geri bildirimi talep ediyor. Bu, robotun hangi hareketlerin —belirli yürütme süreleri veya ayrılma mesafeleri gibi— insan ortak tarafından güvenilir olarak algılandığını öğrendiği bir geri bildirim döngüsü yaratıyor.

Araştırma, IIT'deki İnsan-Robot Arayüzleri ve Etkileşimi Laboratuvarı'ndan Marta Lagomarsino ve Marta Lorenzini ile Aalborg University İnsan-Robot Etkileşimi Laboratuvarı'ndan araştırmacıların dahil olduğu çok disiplinli bir ekip tarafından yürütüldü. Öznel insani duyguları matematiksel etkileşim parametrelerine dönüştüren ekip, insan psikolojisi ile robotik kontrol arasındaki boşluğu doldurdu. Çerçeve üç temel değişkeni optimize ediyor: robotun yürütme süresi, insan ile makine arasındaki fiziksel mesafe ve robotun uç işlevcisinin kullanıcının kafasına olan dikey yakınlığı.

Davranışı Veriye Dönüştürmek

Robotikte önemli bir zorluk, nitel gözlemden nicel öngörücü modellemeye geçiştir. Bunu aşmak için araştırmacılar, hem insanın vücut dilinden hem de robotun kendi hareketinden türetilen ve güven seviyelerine işaret eden belirli davranışsal göstergeler belirlediler. İnsanla ilgili faktörler, tüm vücut hareket yakalama yöntemiyle izlendi; baş ve üst vücut, tereddüt veya konfor belirtileri açısından gözlemlendi. Bu göstergeler daha sonra iş birliğine dair bütünsel bir görünüm sağlamak için robotun hareket özellikleriyle eşleştirildi.

Araştırmacılar, operatörden gelen doğrudan geri bildirimi "gerçeklik verisi" (ground truth) olarak kullanarak, makine öğrenimi modellerini güvenin fiziksel imzalarını tanıyacak şekilde eğittiler. Başyazar Giulio Campagna ve meslektaşları, bir insanın robotun izlediği yola tepki olarak nasıl hareket ettiği arasındaki dinamik ilişkiye odaklandı. Bu metodoloji, operatör aktif geri bildirim sağlamadığında bile modelin güven tercihlerini tahmin etmesine olanak tanıyan ve sessiz fiziksel davranışı robotun bir sonraki hamlesini belirleyen zengin bir veri akışına dönüştürüyor.

Vaka Çalışması: Kimya Endüstrisi Simülasyonu

Çerçeveyi gerçekçi ve yüksek riskli bir ortamda test etmek için ekip, kimyasalların karıştırılması gibi tehlikeli bir görevi içeren bir senaryo uyguladı. Bu simülasyonda, robotik bir manipülatör bir insan operatöre kimyasal maddelerin dökülmesi ve taşınması konusunda yardımcı oldu. Bu ortam özellikle seçildi çünkü tehlike potansiyeli —ve dolayısıyla güven gerekliliği— doğası gereği yüksektir. Deney, robot PBO algoritmasının parametrelerine dayanarak çeşitli yörüngeler gerçekleştirirken operatörün tüm vücut hareketlerinin takip edilmesini içeriyordu.

Sonuçlar oldukça ikna ediciydi. Araştırma ekibi birkaç makine öğrenimi modelini değerlendirdi ve "Voting Classifier" %84,07'lik çarpıcı bir doğruluk oranına ulaştı. Belki de daha etkileyici olanı, modelin yüksek düzeyde güvenilirliği ve farklı güven seviyelerini ayırt etme yeteneğini gösteren bir metrik olan ROC Eğrisi Altındaki Alan (AUC-ROC) puanının 0,90 olarak kaydedilmesidir. Bu metrikler, çerçevenin sadece tahmin yürütmediğini, insan hareketi ile içsel güven durumları arasındaki ilişkiyi doğru bir şekilde çözdüğünü gösteriyor.

İş Yeri Güvenliği İçin Gelecekteki Etkiler

Bu araştırmanın sonuçları laboratuvarın çok ötesine uzanıyor. Gerçek zamanlı güven algılamanın endüstriyel robotlara entegre edilmesiyle şirketler iş yeri güvenliğini önemli ölçüde artırabilir. Bir operatörün rahatsızlığını hisseden bir robot, hareketlerini otonom olarak yavaşlatabilir veya mesafesini artırabilir, bu da operatörün bilişsel yükünü ve stresini azaltır. Bu durum, robotun en uygun güven seviyesini korumak için davranışını sürekli olarak yeniden kalibre ettiği ve genellikle insan-robot sürtüşmesinden kaynaklanan kazaları önleyen bir "kapalı döngü" sistemi oluşturur.

Ayrıca, çalışmada SHAP (SHapley Additive exPlanations) değerlerinin kullanılması yapay zekaya bir açıklanabilirlik katmanı ekliyor. Bu, araştırmacıların bir insanın geri çekilme hızı veya başının açısı gibi hangi davranışsal göstergelerin güven puanını en çok etkilediğini tam olarak görmesini sağlıyor. Arash Ajoudani ve IIT'deki ekip bu modelleri geliştirmeye devam ettikçe, odak noktası muhtemelen kişiselleştirmeye kayacaktır. Gelecekteki sistemler, bireysel çalışanların benzersiz kişilik özelliklerine ve duygusal tepkilerine uyum sağlayarak daha sezgisel ve dirençli bir kolaboratif ekosistemi teşvik edebilir. Endüstri 5.0 dünyasında, en verimli robot yakında insan ortağını en iyi anlayan robot olabilir.