Online Multimodal Workload Assessment in Contact-Rich Physical Human-Robot Interaction
作者: Yanyi Chen, Fan Yang, Min Deng
分类: cs.RO
发布日期: 2026-09-16
💡 一句话要点
提出在线多模态工作负载评估框架以解决人机交互中的动态需求问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 人机交互 工作负载评估 多模态融合 生理信号 动态调整 机器人技术 实时监测
📋 核心要点
- 现有的人机交互方法在动态工作负载评估中存在不足，难以实时反映交互过程中的生理变化。
- 本文提出的框架通过整合多种生理和运动数据，实时评估工作负载，增强了评估的准确性和透明性。
- 实验结果表明，该框架在24名参与者中与生理参考的Spearman相关系数达到0.308，且在23名参与者中表现出良好的对应性。
📝 摘要（中文）
本文提出了一种在线多模态评估框架，旨在持续评估接触丰富的物理人机交互中的工作负载。该框架整合了交互扭矩、平面工具中心点运动学和皮肤电导水平，形成四个可解释的工作负载相关因素。通过路径曲率调整这些因素的相对贡献，以反映运动需求和任务进展的变化。研究在24名参与者中进行，评估了不同温度、噪声和光照条件下的表现，结果显示该框架在工作负载评估中具有透明性和可解释性，且性能与现有学习基线相当。
🔬 方法详解
问题定义：本文旨在解决在接触丰富的物理人机交互中，如何实时评估动态变化的工作负载的问题。现有方法往往无法有效捕捉生理反应与运动需求的变化，导致评估不准确。
核心思路：提出的框架通过整合交互扭矩、运动学和皮肤电导等多模态数据，形成可解释的工作负载因素，并利用路径曲率动态调整其权重，以适应交互过程中的变化。
技术框架：该框架包括数据采集模块（获取交互扭矩和运动学数据）、生理信号监测模块（记录皮肤电导水平）、以及工作负载评估模块（整合上述数据并进行实时分析）。
关键创新：最重要的创新在于通过多模态数据的融合与动态权重调整，显著提升了工作负载评估的准确性和透明性，与传统的固定权重方法相比，具有更好的适应性。
关键设计：在参数设置上，采用标准化的瞳孔直径作为生理参考，损失函数设计为Spearman相关性，以优化评估结果。框架在两种不同的控制模式下均保持一致的性能表现。
🖼️ 关键图片
📊 实验亮点
实验结果显示，提出的框架在与生理参考的Spearman相关性上达到了0.308，且在24名参与者中有23名表现出良好的对应性。该框架的性能与现有的学习基线相当，同时在透明性和可解释性上具有明显优势。
🎯 应用场景
该研究的潜在应用领域包括人机协作机器人、医疗辅助机器人和智能制造等场景。通过实时评估工作负载，能够提升人机交互的安全性和效率，未来可能在智能机器人领域产生深远影响。
📄 摘要（原文）
Contact-rich physical human--robot interaction (pHRI) imposes time-varying demands associated with physical interaction, motor regulation, and physiological response, motivating continuous assessment of interaction workload. This paper presents an online multimodal assessment framework that integrates interaction wrench, planar tool-center-point (TCP) kinematics, and skin conductance level (SCL) into four interpretable workload-related factors. Their relative contributions are adjusted using path curvature to reflect changes in motion demand and task progression to account for gradual physiological variation over time. The framework was evaluated with 24 participants across 18 controlled combinations of temperature, acoustic noise, and illuminance under two admittance-control modes. Strict leave-one-subject-out (LOSO) evaluation used standardized pupil diameter ($\mathrm{PD}z$) as an independent physiological reference and included comparisons with static variants and representative state-of-the-art learning-based baselines. The proposed framework achieves a cohort-mean $30\,\mathrm{s}$ block-wise Spearman correlation of $ρ{30}=0.308$ with the physiological reference, with positive subject-level correspondence in 23 of 24 participants. Its overall performance is comparable to the state-of-the-art learning-based baseline. At the same time, our framework keeps the assessment process transparent through explicit workload-related factors and defined weighting rules, while outperforming the corresponding fixed-weight formulation. The framework also maintains consistent performance across the two tested admittance-control modes. These results support a transparent and interpretable approach to continuous interaction workload assessment in contact-rich pHRI.