Roboter helfen bei der Evakuierung in Notfällen

Forschung hat untersucht, wie Roboter Menschen in Notlagen sicher leiten können. Bei einem Feuer oder einer anderen gefährlichen Situation brauchen Menschen oft Hilfe, um den Ausweg zu finden. Eine Herausforderung ist zu verstehen, wie Menschen entscheiden, einem Roboter in solchen Zeiten zu folgen. Indem wir das Verhalten von Evakuierten studieren, können wir das Design von Robotern verbessern, damit sie effektiver helfen können. Dieses Papier diskutiert eine Methode, um zu lernen, wie Menschen in Notlagen agieren, wenn sie von Robotern unterstützt werden, basierend auf Daten aus Experimenten.

#Roboter in Notfällen

Wenn in einem Gebäude ein Alarm losgeht, können Roboter reagieren, indem sie Evakuierte suchen und ihnen zeigen, wo sie hin müssen. Studien haben gezeigt, dass Menschen in einer Notlage wahrscheinlich einem Roboter folgen. Um Evakuierte effektiv zu leiten, müssen Roboter jedoch verstehen, wie Menschen sich verhalten. Ein Modell des Verhaltens von Evakuierten ist wichtig, damit Roboter wissen, ob ihnen jemand folgt und wie sie mit ihnen kommunizieren können. Leider fehlen uns derzeit Modelle, die das Verhalten von Evakuierten zeigen, wenn ein Roboter anwesend ist. Dieses Papier zielt darauf ab, diese Lücke zu schliessen, indem ein Modell entwickelt wird, wie Evakuierte in Notlagen dem Roboter folgen.

#Menschliches Verhalten in Notfällen

Forschung zeigt, dass die meisten Menschen in Notfällen ruhig auf Ausgänge zusteuern, anstatt in Panik zu geraten. Studien haben ergeben, dass Menschen normalerweise den Anweisungen in solchen Situationen folgen. Auf dieser Grundlage glauben wir, dass es möglich ist, ein genaues Modell zu erstellen, wie Evakuierte sich verhalten, wenn sie von einem Roboter geleitet werden. Dieses Modell sollte mit einer kleinen Anzahl von Teilnehmern funktionieren und dennoch vorhersagen, wie andere evakuieren werden. Wir versuchen, ein Modell zu entwickeln, das auf verschiedene Situationen mit Mensch-Roboter-Interaktion über Notfall-Evakuierungen hinaus angewendet werden kann.

#Frühere Forschung

Es wurde viel über die Evakuierung grosser Gruppen von Menschen geforscht, aber es ist schwieriger, Modelle für individuelles Verhalten zu erstellen. Bestehende Modelle treffen oft vereinfachte Annahmen, wie dass alle einem vorgegebenen Plan folgen oder sich in einer geraden Linie mit konstanter Geschwindigkeit bewegen. Auf der anderen Seite können psychologische Modelle zu vage für die praktische Anwendung sein. Social Force-Modelle, die beschreiben, wie Menschen auf ein Ziel zugehen, während sie andere und Hindernisse vermeiden, berücksichtigen nicht die psychologischen Faktoren, die das Verhalten in Krisen beeinflussen. Derzeit gibt es kein Modell, das berücksichtigt, wie Menschen sich verhalten, wenn ein Roboter sie zu Sicherheit führt. Die Entwicklung eines solchen Modells könnte die Simulationen von robotergestützten Evakuierungen verbessern und helfen, bessere Evakuierungsroboter zu entwerfen.

#Datensammlung für Evakuierungen

Um Daten für unsere Studie zu sammeln, haben wir Teilnehmer über verschiedene Kanäle rekrutiert und sichergestellt, dass sie bestimmte Anforderungen erfüllen, wie mindestens 18 Jahre alt zu sein und Treppen zu steigen. Wir haben Personen ausgeschlossen, die an früheren Studien teilgenommen hatten oder nahen Kontakt zu den Experimentatoren hatten. Insgesamt nahmen 14 Probanden (männlich, weiblich und nicht-binär) an unserem Schafserfahrungs-Experiment teil. Die Teilnehmer erhielten eine Entschädigung für ihre Zeit, wurden jedoch nicht darüber informiert, dass eine Notfallsimulation während der Studie stattfinden würde.

Das Experiment wurde in einer kontrollierten Büro-/Laborumgebung durchgeführt, in der Kameras installiert waren, um die Bewegungen der Teilnehmer aufzuzeichnen. Die Rauchmelder wurden manuell von den Experimentatoren aktiviert, um einen Notfall zu simulieren. Die Umgebung war mit klaren Ausgangsschildern eingerichtet, und die Teilnehmer wurden vor Beginn der simulierten Notlage in einen Aufgabenraum geleitet. Während dieses Prozesses leitete der Roboter die Teilnehmer, und wir dokumentierten seine Interaktionen mit ihnen.

#Experimentelle Einrichtung

Während des Experiments wurden den Probanden der Roboter vorgestellt und ihnen gesagt, dass er sie leiten würde. Nach einer kurzen Aufgabe gingen die Rauchmelder los, und der Roboter begann, die Teilnehmer mit Armgesten zum Ausgang zu leiten. Das Experiment endete, als die Teilnehmer den Ausgang erreichten, nach dem sie eine Umfrage über ihre Erfahrungen ausfüllten.

Wir konzentrierten uns darauf, wie der Roboter einzelne Probanden zum Ausgang leitete. Frühere Forschungen zeigten, dass die Verwendung eines Roboters zur Leitung von Menschen die Compliance verbessert, jedoch technische Herausforderungen auftraten, weil der Roboter den ganzen Weg zum Ausgang navigieren musste. Um dies zu lösen, wurde ein teleoperierter Roboter eingesetzt, der fernbedient wurde.

#Erstellung von Evakuierungsmodellen

Um ein Modell des Verhaltens von Evakuierten zu erstellen, sammelten wir zunächst Videoaufnahmen von Teilnehmern, die sich durch die Umgebung bewegten. Wir verwendeten computergestützte Verfahren, um die Positionen sowohl der menschlichen Probanden als auch des Roboters zu schätzen. Für menschliche Posen setzten wir ein Deep-Learning-Modell ein, das Schlüsselstellen am Körper einer Person erkennt, sodass wir ihre Bewegungen genau verfolgen konnten.

Nachdem wir die Positionen verfolgt hatten, mussten wir diese Pixelorte in reale Koordinaten umwandeln, damit die Bewegungen des Roboters und der Teilnehmer verglichen werden konnten. Kalibrierungsschritte wurden durchgeführt, um genaue Messungen sicherzustellen, und die Daten wurden gefiltert, um Rauschen und Fehler bei der Verfolgung zu entfernen.

#Vorhersagemodellierung

Die Bewegungsdaten, nachdem sie bereinigt und vorbereitet waren, bildeten eine Grundlage für die Vorhersage zukünftiger Bewegungen von Evakuierten. Wir behandelten diese Aufgabe als ein Zeitserienproblem, bei dem vergangene Informationen über die Positionen von Roboter und Probanden dazu helfen würden, den nächsten Standort des Probanden vorherzusagen. Wir verwendeten eine überwachte Lernmethode mit verschiedenen Regressionsalgorithmen, insbesondere dem XGBoost-Algorithmus, um unser Modell mit den gesammelten Daten zu trainieren.

#Evaluierung des Modells

Wir führten Tests mit Daten von 14 Probanden durch. Von diesen mussten wir Daten von zwei Probanden ausschliessen, die dem Roboter nicht korrekt folgten. Wir bewerteten die Genauigkeit unseres Modells mit einer Technik namens k-fache Validierung, bei der wir die Daten in Trainings- und Validierungssets aufteilten. Das Modell schnitt gut bei der Vorhersage der Positionen der Probanden ab, mit einem durchschnittlichen Fehler von etwa 9,9 Zentimetern.

Darüber hinaus, um zu verstehen, ob unser Modell auch ausserhalb der ursprünglichen experimentellen Bedingungen funktionierte, testeten wir es mit Daten, die aus einer Simulation eines Notfallszenarios in einer anderen Umgebung gesammelt wurden. Obwohl die Vorhersagegenauigkeit leicht sank, waren die Ergebnisse immer noch überzeugend, was darauf hindeutet, dass die Modelle nützliche Vorhersagen auch unter variierenden Umständen machen können.

#Ergebnisse aus Simulationsdaten

In den Simulationen bestimmten wir die Genauigkeit unserer Modelle unter verschiedenen Bedingungen, wie unterschiedlichen Masseinheiten und verschiedenen Robotergeschwindigkeiten. Obwohl es einige Abweichungen in den Daten gab, erzeugten unsere Modelle immer noch angemessene Vorhersagen, was ihre Vielseitigkeit in unterschiedlichen Einstellungen beweist.

#Fazit

Diese Forschung zeigt eine vielversprechende Methode zur Erfassung und Analyse menschlichen Verhaltens während robotergestützter Notfälle. Durch die Nutzung von Videodaten und fortschrittlichen Modellierungstechniken konnten wir effektive Modelle des Verhaltens von Evakuierten erstellen, die eine durchschnittliche Positionsabweichung von weniger als 10 Zentimetern in den Vorhersagen zeigten. Die Methoden und Ergebnisse dieser Forschung können auch auf andere Szenarien der Mensch-Roboter-Interaktion angewendet werden und ebnen den Weg für zukünftige Fortschritte, wie Roboter Menschen in Notfällen unterstützen können.

Obwohl es Einschränkungen gibt, wie die Variabilität in verschiedenen Umgebungen, ist das hier gelegte Fundament signifikant. Durch die Entwicklung genauer Modelle des Verhaltens von Evakuierten kommen wir unserem Ziel näher, Roboter zu schaffen, die Menschen in Notfällen effektiv sicher leiten können.