[논문 리뷰] Goal Inference Improves Objective and Perceived Performance in Human-Robot Collaboration

Chang Liu, Jessica B. Hamrick외 5명|arXiv (Cornell University)|2018. 02. 06.

Child and Animal Learning Development참고 문헌 24인용 수 20

한 줄 요약

이 논문은 인간의 운동에서 베이지안 목표 추론을 사용하여 실시간으로 로봇 동작을 재계획하는 인간-로봇 협업 프레임워크를 제안한다. 이 방법은 목적적 작업 성능과 주관적 사용자 인식 양면에서 뚜렷한 향상을 이끌어내며, 예측 오차가 발생하더라도 사용자들은 적응형 로봇을 선호한다.

ABSTRACT

The study of human-robot interaction is fundamental to the design and use of robotics in real-world applications. Robots will need to predict and adapt to the actions of human collaborators in order to achieve good performance and improve safety and end-user adoption. This paper evaluates a human-robot collaboration scheme that combines the task allocation and motion levels of reasoning: the robotic agent uses Bayesian inference to predict the next goal of its human partner from his or her ongoing motion, and re-plans its own actions in real time. This anticipative adaptation is desirable in many practical scenarios, where humans are unable or unwilling to take on the cognitive overhead required to explicitly communicate their intent to the robot. A behavioral experiment indicates that the combination of goal inference and dynamic task planning significantly improves both objective and perceived performance of the human-robot team. Participants were highly sensitive to the differences between robot behaviors, preferring to work with a robot that adapted to their actions over one that did not.

연구 동기 및 목표

• 운동 수준의 목표 추론이 인간-로봇 팀의 작업 수준 협업 성능에 미치는 영향을 평가하는 것.
• 유인된 인간의 의도를 기반으로 한 예측적 적응이 협업 작업에서 목적적 성능과 주관적 성능을 향상시키는지 조사하는 것.
• 불완전한 추론 조건 하에서 실제 환경에서의 예측형, 반응형, 고정형 전략을 비교하는 것.
• 협동 조작 작업에서 로봇 적응성에 대한 사용자 선호도와 인식을 평가하는 것.
• 예측 오차 및 비이성적인 인간 계획 가정 조건 하에서 적응 행동의 강건성을 검토하는 것.

제안 방법

• 로봇은 인간 파artner의 현재 운동 궤적에서 그들의 다음 목표를 베이지안 추론을 통해 예측한다.
• 시스템은 유추된 인간의 목표에 기반해 실시간으로 로봇의 동작을 재계획하여 사전 적응을 가능하게 한다.
• 이 방법은 작업 수준의 계획과 운동 수준의 의도 추론을 결합하여 공동 행동 계획의 동적 조정을 가능하게 한다.
• 두 가지 추론 조건을 시험: '오라클'(완벽한 의도 접근) 및 '베이지안'(노이즈가 있는 인간 궤적에서의 확률적 추론).
• 가상 로봇을 사용한 행동 실험을 두 가지 시나리오(구조 및 구조 복구, 테이블 세팅)에서 실시하며 인간 아바타를 활용했다.
• 로봇의 적응 메커니즘은 현재 상태에서 최적의 인간 행동을 가정하며, 이격된 탈진을 수정하기 위해 지속적인 재계획을 수행한다.

실험 결과

연구 질문

• RQ1 인간의 운동에서 실시간 목표 추론이 인간-로봇 협업에서 목적적 작업 성능을 향상시키는가?
• RQ2 예측 기반의 로봇 적응이 반응형 또는 비적응형 로봇과 비교해 사용자의 인식과 선호도에 어떤 영향을 미치는가?
• RQ3 베이지안 추론에서 발생하는 예측 오차가 성능과 사용자 만족도에 어느 정도 악영향을 미치는가?
• RQ4 현재 상태에서 최적의 인간 행동을 가정하는 것이 실제 적용에 제한 요소가 되는가?
• RQ5 운동 기반의 목표 추론이 협업 작업에서 더 나은 조율과 주관적 유창성 향상에 기여하는가?

주요 결과

• 목표를 추론하고 실시간으로 재계획하는 예측형 로봇은 반응형 및 고정형 로봇보다 작업 완료 시간을 크게 단축시켰다.
• 참가자들은 예측형 로봇을 반응형 및 고정형 로봇보다 더 선호했으며, 능력, 협업, 유창성, 민감도, 신뢰도 측면에서 더 높은 평가를 내렸다.
• 예측 오차율이 15%에서 40%에 이르는 상황에서도 베이지안-예측형 로봇은 목적적 및 주관적 지표에서 비적응형 로봇을 능가했다.
• 성능 향상은 로봇가 인간 행동에 적응함으로써 공동 최적성을 유지하고, 최적 행동의 '다시 기회'를 제공할 수 있었기 때문으로 분석되었다.
• 연구 결과는 사용자가 예측이 불완전하더라도 로봇의 적응성 차이에 매우 민감하게 반응함을 시사한다.
• 결과적으로 운동 기반의 목표 추론은 특히 실제 환경에서 인지 부하나 스트레스 상황에서 더 자연스럽고 효과적인 협업을 가능하게 한다.