Implicit Communication in Human-Robot Collaborative Transport

要約

私たちは、ロボットとユーザーがオブジェクトをゴールポーズに協力して移動する人間のロボット共同輸送に焦点を当てています。
明示的なコミュニケーションがない場合、この問題は、非常に異なるセンシング、作動、および推論能力を持っている2人の不均一なエージェント間の緊密な暗黙の調整を必要とするため、困難です。
私たちの重要な洞察は、2つのエージェントが、輸送されたオブジェクトの状態に影響を与える微妙なコミュニケーションシグナルをアクションにエンコードすることにより、流fluentに調整できることです。
この目的のために、2つのエージェントによって実行された共同アクションの観測を、ワークスペーストラバーサルの一連の共同戦略に確率的にマップする推論メカニズムを設計します。
このメカニズムに基づいて、展開する横断戦略に対する人間の不確実性を表すコストを定義し、不確実性の最小化と効率の最大化のバランスをとるモデル予測コントローラーに導入します。
モバイルマニピュレーター（ハローロボットストレッチ）にフレームワークを展開し、被験者内ラボの調査（n = 24）で評価します。
私たちのフレームワークにより、チームのパフォーマンスが向上し、コミュニケーションメカニズムがないベースラインと比較して、ロボットが大幅に流fluentで有能なパートナーとして認識されることを示しています。

要約(オリジナル)

We focus on human-robot collaborative transport, in which a robot and a user collaboratively move an object to a goal pose. In the absence of explicit communication, this problem is challenging because it demands tight implicit coordination between two heterogeneous agents, who have very different sensing, actuation, and reasoning capabilities. Our key insight is that the two agents can coordinate fluently by encoding subtle, communicative signals into actions that affect the state of the transported object. To this end, we design an inference mechanism that probabilistically maps observations of joint actions executed by the two agents to a set of joint strategies of workspace traversal. Based on this mechanism, we define a cost representing the human’s uncertainty over the unfolding traversal strategy and introduce it into a model predictive controller that balances between uncertainty minimization and efficiency maximization. We deploy our framework on a mobile manipulator (Hello Robot Stretch) and evaluate it in a within-subjects lab study (N=24). We show that our framework enables greater team performance and empowers the robot to be perceived as a significantly more fluent and competent partner compared to baselines lacking a communicative mechanism.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google