SHARE: Towards Head-Mounted AR with User-Centric SLAM in Shared Human-Robot Workspaces

📄 arXiv: 2607.23901v1 📥 PDF

作者: Tianyuan Du, Tianyi Hu, Hanting Ye, Maria Gorlatova

分类: cs.HC, cs.RO

发布日期: 2026-07-27

备注: 28 pages, 15 figures, 1 table

DOI: 10.1145/3832004

💡 一句话要点

提出SHARE以解决共享人机工作空间中的AR用户延迟问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人机协作 增强现实 同时定位与地图构建 低延迟 视觉特征处理 动态优先级调度 用户体验模型

📋 核心要点

  1. 现有的多代理SLAM系统未能满足AR用户的低延迟需求，导致用户操作体验不佳。
  2. SHARE系统通过建立HRC代理体验模型，优先考虑AR用户的需求，同时保持机器人跟踪性能。
  3. 实验结果显示，SHARE在实际应用中将AR用户的平均延迟降低至13.22毫秒，显著提升用户体验。

📝 摘要（中文）

人机协作（HRC）在共享物理空间中使用增强现实（AR）接口，依赖于同时定位与地图构建（SLAM）。现有的多代理SLAM系统依赖边缘服务器来整合多个资源受限代理的视觉发现，进行计算并调度更新其本地地图。然而，边缘服务器对所有代理的处理方式过于统一，忽视了异构HRC代理（如机器人和头戴AR用户）在延迟要求上的根本差异。这种统一的资源分配导致用户操作时延迟过高，无法满足AR的严格延迟要求。为此，本文设计、实现并评估了SHARE，一个以用户为中心的SLAM系统，战略性地优先考虑AR用户体验，同时保持机器人准确的跟踪性能。SHARE建立了首个HRC代理体验模型，并自适应调整传输优先级以匹配该模型。通过利用共享人机工作空间中代理获取的视觉特征冗余，SHARE减少了边缘处理引起的计算时间。实际部署中，商业AR头显和地面机器人实现了AR用户平均延迟为13.22毫秒（比基线减少43.3%），同时保持亚2厘米的跟踪精度。用户研究进一步显示用户感知的显著改善。

🔬 方法详解

问题定义：本文旨在解决现有多代理SLAM系统在共享人机工作空间中对AR用户延迟要求的忽视，导致用户操作体验不佳的问题。现有方法未能针对异构代理的不同延迟需求进行优化。

核心思路：SHARE系统通过建立一个以用户为中心的体验模型，优先考虑AR用户的实时需求，并根据该模型自适应调整数据传输的优先级，以确保AR用户的低延迟体验。

技术框架：SHARE的整体架构包括多个模块：首先是视觉特征的获取与处理模块，其次是体验模型的建立与更新模块，最后是优先级调度与传输模块。这些模块协同工作，以实现高效的SLAM性能。

关键创新：SHARE的主要创新在于其用户体验模型的构建和动态优先级调整机制。这一设计使得系统能够根据不同代理的需求进行资源分配，显著降低了AR用户的延迟。

关键设计：在SHARE中，关键设计包括对视觉特征的冗余利用，以减少计算时间。此外，系统采用了自适应的优先级调度算法，以确保AR用户的请求能够及时处理。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SHARE系统在实际部署中实现了AR用户平均延迟为13.22毫秒，相较于基线减少了43.3%。同时，系统保持了亚2厘米的跟踪精度，用户研究显示用户感知有显著改善，表明该系统在提升用户体验方面具有重要效果。

🎯 应用场景

SHARE系统的潜在应用场景包括工业自动化、医疗辅助和智能家居等领域。在这些场景中，AR用户与机器人之间的高效协作是提升工作效率和用户体验的关键。未来，SHARE有望在更多人机协作的应用中发挥重要作用，推动AR技术的广泛应用。

📄 摘要（原文）

Human-Robot Collaboration (HRC) in shared physical spaces using Augmented Reality (AR) interfaces is powered by Simultaneous Localization and Mapping (SLAM). Existing multi-agent SLAM systems rely on an edge server to combine visual findings of multiple resource-constrained agents, perform computation, and schedule updates to their local maps. However, the edge treats all agents uniformly and ignores the fundamentally different latency requirements of heterogeneous HRC agents: robots and head-mounted AR users. This uniform resource allocation often results in high lag for user manipulation, as it does not meet the stringent latency requirements of AR. In this work, we design, implement, and evaluate SHARE, a user-centric SLAM system that strategically prioritizes AR user experience while maintaining accurate tracking performance for robots. SHARE builds a first-of-its-kind experience model for HRC agents and adaptively adjusts transmission priorities to match it. To reduce end-to-end latency, SHARE leverages the redundancy of visual features acquired by agents in shared human-robot workspaces to reduce computation time induced by edge-based processing. Real-world deployment with commercial AR headsets and a ground robot achieves 13.22 ms average latency for AR users (43.3% reduction from baseline) while maintaining sub-2-centimeter tracking accuracy. User studies further reveal statistically significant improvements in user perception.