Adaptacyjne prowadzenie robotów poprzez estymację sprężystości w czasie rzeczywistym i sterowanie dwumodalne

Nauczanie robotów bycia lepszymi pomocnikami

Wyobraź sobie naukę nowego kroku tanecznego lub rehabilitację obolałego barku. Ludzki instruktor nie tylko przesuwa twoje ramię na miejsce; udziela też wskazówek krok po kroku i zachęty. Dzisiejsze roboty zwykle albo poruszają cię w milczeniu, albo mówią, nie mając możliwości dotyku. Ten artykuł przedstawia nowy sposób łączenia dotyku i mowy przez roboty, adaptujący się w czasie rzeczywistym do tego, jak dobrze osoba nadąża, tak aby pomoc była bezpieczniejsza, bardziej naturalna i skuteczniejsza.

Dlaczego łączenie dotyku i głosu ma znaczenie

Ludzcy nauczyciele nieustannie dostosowują, ile fizycznie prowadzą ucznia, a ile tłumaczą słownie. Jeśli jesteś poza ścieżką, mogą stanowczo poprawić pozycję twojego ramienia i podać jasne instrukcje. W miarę postępów luzują uchwyt, oferując lżejsze prowadzenie i więcej zachęty. Roboty miały trudności z takim zachowaniem, ponieważ siły fizyczne i mowa to bardzo różne rodzaje sygnałów. Autorzy postawili sobie za cel wyposażenie robota w coś na kształt intuicji instruktora: sposób estymacji, jak chętna i zdolna jest osoba do podążania za wskazówkami, a następnie decyzję, kiedy pchnąć, kiedy mówić i jak łączyć oba kanały.

Jak działa adaptacyjny robot-trener

Zespół zaprojektował Sterownik Prowadzenia Robota składający się z trzech głównych elementów. Po pierwsze, ciągła estymacja „sprężystości” — jak blisko osoba podąża za pożądaną trajektorią — przy użyciu prostych miar, takich jak różnica między pozycją ramienia a pozycją docelową oraz płynność ruchu. Po drugie, krok optymalizacyjny decyduje, jaka część korekty powinna być realizowana siłą fizyczną, a jaka wskazówkami werbalnymi, zmieniając ten bilans w miarę zmiany zachowania osoby. Po trzecie, model konwertujący zamiary oparte na sile na język przekształca wewnętrzne plany robota w krótkie, kontekstowo odpowiednie frazy — np. delikatne wskazówki lub zachęty — na podstawie wzorców wyuczonych od prawdziwych terapeutów. Razem te elementy pozwalają robotowi koordynować swoje dłonie i „głos” w czasie rzeczywistym.

Nauka od ekspertów — terapeutów

Aby oprzeć system na rzeczywistym zachowaniu dydaktycznym, badacze obserwowali fizjoterapeutów pracujących z pacjentami przy prostym, lecz klinicznie istotnym zadaniu: unoszeniu ramienia z boku nad głowę i z powrotem. W starannie rejestrowanych sesjach terapeuci czasami prowadzili tylko słownie, czasami tylko dotykiem, a czasami oboma sposobami. Zespół zaobserwował wyraźne wzorce. Gdy pacjenci stawiali opór lub mieli trudności, terapeuci stosowali silniejszą pomoc fizyczną i częstsze, instruktażowe wypowiedzi. W miarę jak pacjenci lepiej podążali, terapeuci łagodzili uchwyt, mówili rzadziej i przesuwali się od poleceń ku zachętom. Te wzorce bezpośrednio zainspirowały sposób, w jaki robot estymuje sprężystość i decyduje, kiedy oprzeć się na sile, mowie lub kombinacji obu.

Testy robota-trenera

Nowy sterownik oceniono na dwunastu zdrowych ochotnikach wykonujących to samo ćwiczenie unoszenia barku wraz z robotem współpracującym. W jednym zestawie prób badacze porównali pojedyncze tryby pomocy — tylko wskazówki werbalne, tylko siły fizyczne — z podstawowym sterownikiem dwumodalnym, który zawsze łączył je w stały sposób. W drugim badaniu porównali ten stały tryb dwumodalny z adaptacyjnym Sterownikiem Prowadzenia Robota. Wydajność mierzono zgodnością z zamierzoną trajektorią, płynnością ruchu, czasem wykonania oraz zmianami w wzorcach mowy robota.

Co ujawniły eksperymenty

We wszystkich warunkach łączenie dotyku i mowy przeważnie przewyższało użycie tylko jednego z tych kanałów, szczególnie gdy dodany kanał był tym jedynym, na który osoba faktycznie zwracała uwagę. W niektórych przypadkach dodanie prowadzenia fizycznego zmniejszyło błąd pozycji o ponad połowę oraz znacznie wygładziło i przyspieszyło ruchy. Sterownik adaptacyjny posunął się dalej, redukując błędy śledzenia nawet do 50%, poprawiając płynność i skracając czas wykonania o około jedną czwartą w porównaniu ze stałym układem dwumodalnym. Co istotne, jego wzorce mowy — jak często „mówił” i jak bardzo przesuwał się od instrukcji ku zachętom — lepiej odpowiadały zachowaniom ekspertów, a uczestnicy ocenili adaptacyjne prowadzenie jako bardziej naturalne i bardziej przypominające pracę z ludzkim trenerem.

Znaczenie dla codziennego życia

Dla osób niebędących ekspertami wniosek jest taki, że roboty można nauczyć prowadzić ludzi bardziej jak wykwalifikowani instruktorzy: używając mieszanki delikatnego dotyku i właściwie skoordynowanych słów, która adaptuje się w miarę nauki. Choć praca została zademonstrowana na ćwiczeniu rehabilitacyjnym, podstawowe pomysły można rozszerzyć na nauczanie pisania, umiejętności sportowych czy złożonych zadań zawodowych. Poprzez wyczuwanie, jak dobrze ktoś reaguje, i dynamiczne dostosowywanie pomocy fizycznej i werbalnej, przyszłe roboty mogą stać się nie tylko precyzyjnymi maszynami, lecz także cierpliwymi, responsywnymi partnerami w nauce i rekonwalescencji.

Cytowanie: Tejwani, R., Payne, J., Velazquez, K. et al. Adaptive robot guidance through real-time compliance estimation and dual-modal control. Commun Eng 5, 81 (2026). https://doi.org/10.1038/s44172-026-00632-5

Słowa kluczowe: interakcja człowiek-robot, robotyka rehabilitacyjna, adaptacyjne prowadzenie, trening robotyczny, sterowanie multimodalne