[論文レビュー] MAD-TN: A Tool for Measuring Fluency in Human-Robot Collaboration

Seth Isaacson, Gretchen Rice+1 more|arXiv (Cornell University)|Sep 14, 2019

Constraint Satisfaction and Optimization参考文献 7被引用数 4

ひとこと要約

本論文では、時間的制約ネットワークを用いて流れの良さを測定する人間-ロボット協働をモデル化する、マルチエージェントデイジー時間的ネットワーク（MAD-TN）を紹介する。行動とペタル（花びら）を定式化することで、タスクの部分的構成要素とエージェントの責任を表現し、機能的遅延、リソース遅延、同時非活動といった流れの良さメトリクスを正確に測定可能となる。これらは人間の流れの良さの認識と強く相関すると仮定されている。

ABSTRACT

Fluency is an important metric in Human-Robot Interaction (HRI) that describes the coordination with which humans and robots collaborate on a task. Fluency is inherently linked to the timing of the task, making temporal constraint networks a promising way to model and measure fluency. We show that the Multi-Agent Daisy Temporal Network (MAD-TN) formulation, which expands on an existing concept of daisy-structured networks, is both an effective model of human-robot collaboration and a natural way to measure a number of existing fluency metrics. The MAD-TN model highlights new metrics that we hypothesize will strongly correlate with human teammates' perception of fluency.

研究の動機と目的

• 人間-ロボット協働における流れの良さを形式的かつスケーラブルなフレームワークでモデル化・測定するための枠組みを開発すること。
• デイジー構造の時間的ネットワークモデルを、時間的ネットワーク形式を用いて、より正確で一般化可能なマルチエージェントデイジー時間的ネットワーク（MAD-TN）に拡張すること。
• 人間の流れの良さの認識をよりよく予測できる可能性がある、新たな流れの良さメトリクス（リソース遅延、同時非活動）を同定し、形式化すること。
• 既存の流れの良さメトリクス（例：機能的遅延、アイドル時間）を形式的な時間的モデリングフレームワーク内ですでに検証すること。
• 物理的人間-ロボット実験を通じた将来的な実証的検証の基盤を提供すること。

提案手法

• MAD-TNは、各ペタルが1人のエージェントに割り当てられた行動のシーケンスを表すネットワークとして、協働タスクをモデル化する。
• 各行動は開始時刻と終了時刻で定義され、非負の期間を保証するマケスパン制約（例：[0.5, 3] 秒）を含む。
• ペタル内での行動間の制約は時間的順序を強制し、ペタル間の制約はエージェント間の依存関係をモデル化する。
• 代替実行経路を表現するために、排他的時間制約を用いることで、スケジューリングにおける柔軟性を向上させる。
• 機能的遅延は、エージェントが遅れて到着した場合に、直前の行動の終了時刻と次の行動の開始時刻との間の時間を計算することで得られる。
• リソース遅延は、リソースが利用可能になる時刻と、エージェントがそのリソースに対して行動を開始する時刻との間の時間を定義し、古くなりがちなリソースの影響を捉える。

実験結果

リサーチクエスチョン

• RQ1 時間的ネットワークモデルをどのように拡張すれば、正確な時間制約を伴うマルチエージェント人間-ロボット協働をよりよく表現できるか？
• RQ2 リソース遅延と同時非活動が、人間-ロボットチームにおける流れの良さの認識とどの程度相関するか？
• RQ3 既存の流れの良さメトリクス（例：機能的遅延、アイドル時間）は、形式的な時間的ネットワークフレームワーク内でどのように振る舞うか？
• RQ4 MAD-TNモデルは、既存のメトリクスと新規メトリクスの両方を統合的かつスケーラブルな方法で測定できるか？
• RQ5 ペタルの構造と排他的制約は、複雑なタスクにおけるスケジューリングの柔軟性と流れの良さをどのように向上させるか？

主な発見

• MAD-TNモデルは、時間的ネットワークの言語を用いてデイジー構造の協働を形式化し、エージェント固有の行動とエージェント間依存関係の正確なモデル化を可能にした。
• 機能的遅延は、先行研究で人間の流れの良さの認識と強く相関することが確認されており、MAD-TNはその測定のための形式的メカニズムを提供する。
• リソース遅延は、エージェントが共有タスクに遅れて到着した際の、古くなりがちなリソースの影響を捉える新規メトリクスとして導入された。
• 同時非活動は、両エージェントが同時にアイドル状態にある期間を反映する新規メトリクスとして提案され、チーム全体の流れの良さの認識に影響を与える可能性がある。
• モデルは排他的制約をサポートしており、不確実性下でも柔軟なスケジューリングを可能にするが、解の探索は依然としてNP完全のままである。
• 著者らは、顕著なリソース遅延が人間のチームメイトの流れの良さの認識に悪影響を及えると仮定しており、将来的な実証的検証を促すものである。