[论文解读] Human-Drone Interactions with Semi-Autonomous Cohorts of Collaborating Drones
本文提出了一种在涉及多名人员和半自主无人机群的应急响应场景中实现人机协同的框架。该框架引入了H2D、D2H、D2D和H2H通道之间的多模态交互模型，通过具备情境意识功能的图形用户界面（GUI）和动态无人机自我解释机制，支持任务协调，同时解决了在高风险应急操作中图形界面与物理控制界面之间控制权转换的挑战。
Research in human-drone interactions has primarily focused on cases in which a person interacts with a single drone as an active controller, recipient of information, or a social companion; or cases in which an individual, or a team of operators interacts with a swarm of drones as they perform some coordinated flight patterns. In this position paper we explore a third scenario in which multiple humans and drones collaborate in an emergency response scenario. We discuss different types of interactions, and draw examples from current DroneResponse project.
研究动机与目标
- 填补人机交互研究中关于多人员、多无人机应急响应场景的空白，超越单一无人机控制或群体协调的研究范畴。
- 设计一种系统，通过透明的无人机行为解释和环境上下文可视化，支持情境意识。
- 实现人与无人机之间的双向通信，包括任务委派、状态报告以及在不确定性下的动态决策。
- 探究在高风险应急操作中，从图形用户界面到物理遥控器控制权转换所面临的挑战。
- 共同设计一种任务规范界面，支持形式化任务建模（例如信念-欲望-意图模型），同时确保非技术背景的响应人员也能轻松使用。
提出的方法
- 为DroneResponse系统开发了一款图形用户界面（GUI），用于可视化影响无人机行为的环境因素（例如，能见度低、风速高）。
- 实现了自我解释机制，使无人机在用户请求时能够描述其当前的飞行策略和决策，例如因能见度差而降低飞行高度。
- 设计了一种基于流程图的使命规范界面，通过可配置的按钮来定义‘谁’、‘做什么’、‘在哪里’和‘如何做’等维度的任务指令。
- 整合了信念-欲望-意图（BDI）模型，以正式方式表示任务计划，使无人机能够理解并执行高层级指令。
- 通过对比基于GUI的操作与基于物理控制器的操作，探索了混合控制模式，识别出在模式切换过程中可能出现的状态错位风险。
- 提出了重新定向功能，使物理控制器的输入（例如‘前进’）与无人机相对于操作员的朝向保持一致，从而减少飞行员的定向困惑。
实验结果
研究问题
- RQ1在涉及半自主无人机的多用户、多无人机应急响应场景中，如何有效构建人机交互机制？
- RQ2当无人机以部分自主方式运行时，人类操作员需要哪些关键信息以维持情境意识？
- RQ3无人机如何实时向人类操作员传达其决策过程和行为适应策略？
- RQ4在应急无人机操作中，从图形界面到物理控制界面的控制权转换过程中会遇到哪些挑战？
- RQ5如何通过直观但可形式化的界面，有意义地在人类与无人机之间结构化并传递任务指令？
主要发现
- DroneResponse GUI 成功可视化了低能见度、强风等环境因素，使操作员能够理解无人机为何调整飞行参数。
- 能够自我解释行为的无人机——例如说明‘因能见度差而降低飞行高度’——显著提升了操作员的信任度和情境理解能力。
- 与当地消防员开展为期四个月的共同设计过程，揭示了在实时应急操作中，情境意识和按需解释机制的双重需求。
- GUI与物理控制器状态之间的错位导致了操作风险，包括一次从软件控制切换到手动控制时发生的无人机坠毁事件，凸显了界面一致性的重要性。
- 使用基于流程图的GUI进行任务规范，使非技术用户能够通过结构化的‘谁、什么、哪里、如何’参数定义复杂指令。
- 在手动控制期间，将无人机相对于飞行员视角进行重新定向，减少了方向混淆，提升了控制精度。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。