信任解码：机器学习模型如何预测人机协作中的人体舒适度

解码信任：机器学习模型如何预测机器人协作中的人类舒适度

随着工业 5.0 将重点转向以人为本的制造，机器人评估人类信任的能力已成为一项关键的安全要求。来自 Aalborg University 和 Istituto Italiano di Tecnologia (IIT) 的研究人员开发了一个数据驱动的框架，允许机器解释行为线索，从而使其能够实时调整动作并与人类操作员建立良好关系。通过超越传统的交互后问卷调查，该团队成功证明了机器可以通过物理运动和交互参数来量化人类信任这一无形特质，并在高风险的工业环境中实现了极高的预测准确率。

工业 5.0 的演进

工业格局目前正在经历从工业 4.0（优先考虑超高效率和大规模自动化）向目标更加细致的工业 5.0 的范式转变。这一新时代强调以人为本的制造，在这种环境下，协作机器人 (cobots) 不仅仅是工具，而是与人类操作员并肩工作的伙伴。这一转变需要对工作场所的安全、人体工程学和心理舒适度给予高度关注。在协作环境中，“盲目”的自动化已不再足够；移动过快或离操作员过近的机器人可能会引发压力，导致人为错误，甚至造成身体伤害。

信任是这种交互的核心。正如该领域的研究人员所定义的那样，信任是一种信念，即代理 (agent) 会支持一个人的目标，尤其是在不确定或脆弱的情况下。在工业设置中，信任失衡是危险的：信任不足可能导致操作员因对机器进行微观管理而负荷过重，而过度信任则可能导致麻痹大意和安全风险。为了解决这一问题，包括 Giulio Campagna 和 Arash Ajoudani 在内的研究团队寻求创建一个系统，让机器人能够感知这些微妙的心理状态，并据此重新校准其行为。

信任建模的机制

这项研究的核心最近发表在 IEEE Robotics and Automation Letters 上，围绕一个旨在通过行为指标评估信任的新型数据驱动框架展开。其核心是基于偏好的优化 (PBO) 算法。与可能猜测用户偏好的传统模型不同，PBO 算法会生成特定的机器人轨迹，然后主动征求操作员的反馈。这创建了一个反馈回路，机器人通过它学习哪些动作（如特定的执行时间或隔离距离）被人类伙伴视为是值得信任的。

这项研究由一个多学科团队开展，成员包括来自 Istituto Italiano di Tecnologia (IIT) 的 Human-Robot Interfaces and Interaction Lab 的 Marta Lagomarsino 和 Marta Lorenzini，以及来自 Aalborg University 的 Human-Robot Interaction Lab 的研究人员。通过将主观的人类感受量化为数学交互参数，该团队弥补了人类心理学与机器人控制之间的鸿沟。该框架优化了三个关键变量：机器人的执行时间、人机之间的物理距离，以及机器人末端执行器与用户头部的垂直接近度。

将行为转化为数据

机器人技术面临的一大挑战是从定性观察向定量预测模型的转变。为了克服这一挑战，研究人员确定了特定的行为指标——这些指标源于人类的肢体语言和机器人自身的运动——用以衡量信任水平。研究人员利用全身动作捕捉技术跟踪与人相关的因素，监测头部和上半身是否有犹豫或舒适的迹象。随后，这些指标与机器人的运动特征相结合，以提供协作的整体视图。

通过使用明确的操作员反馈作为“地面真实值”，研究人员训练机器学习模型来识别信任的物理特征。主要作者 Giulio Campagna 及其同事专注于人类响应机器人路径而产生的动态运动关系。这种方法允许模型在操作员不提供主动反馈的情况下预测信任偏好，将无声的物理行为转化为丰富的数据流，从而指导机器人的下一步行动。

案例研究：化学工业模拟

为了在真实的高风险环境中测试该框架，团队实施了一个涉及混合化学品危险任务的场景。在此模拟中，一个机器人机械臂协助人类操作员倾倒和运输化学试剂。选择这种环境是因为其潜在的危险性——以及由此产生的对信任的必要性——本质上很高。实验涉及跟踪操作员的全身运动，同时机器人根据 PBO 算法的参数执行变化的轨迹。

结果令人信服。研究团队评估了多个机器学习模型，其中“投票分类器” (Voting Classifier) 达到了 84.07% 的卓越准确率。或许更令人印象深刻的是，该模型记录了 0.90 的 ROC 曲线下面积 (AUC-ROC) 得分，这一指标表明其具有极高的可靠性以及区分不同信任水平的强大能力。这些指标表明，该框架并非在猜测，而是在准确解码人类运动与内部信任状态之间的关系。

对工作场所安全的未来影响

这项研究的意义远不止于实验室。通过将实时信任感应集成到工业机器人中，企业可以显著提高工作场所的安全性。感应到操作员不适的机器人可以自主减慢其动作或增加距离，从而减轻操作员的认知负荷和压力。这创建了一个“闭环”系统，机器人不断重新校准其行为以维持最佳信任水平，从而防止通常源于人机摩擦的事故发生。

此外，研究中对 SHAP (SHapley Additive exPlanations) 值的使用为人工智能增加了一层可解释性。这让研究人员能够准确地看到哪些行为指标（如人类退缩的速度或头部的角度）对信任评分的影响最大。随着 Arash Ajoudani 和 IIT 团队继续完善这些模型，重点将可能转向个性化。未来的系统可能能够适应个体工人的独特个性特征和情感反应，从而培养一个更直观、更有弹性的协作生态系统。在工业 5.0 的世界中，效率最高的机器人可能很快就会是那个最了解其人类伙伴的机器人。