Melhorando a Colaboração entre Humanos e Robôs com o Sistema AWAC

Nos últimos anos, a interação entre humanos e vários robôs tem ganhado bastante atenção. Essa área, conhecida como sistemas humano-multi-robô, foca em como equipes formadas por humanos e robôs podem trabalhar juntas. Quando projetados corretamente, esses sistemas melhoram a eficiência com que humanos e robôs conseguem realizar tarefas. Alguns exemplos dessas tarefas incluem monitorar áreas, procurar pessoas desaparecidas e realizar missões de resgate.

Uma abordagem interessante é usar métodos de aprendizado avançados para gerenciar melhor a carga de trabalho entre humanos e robôs. Isso permite ajustar as tarefas dadas a cada pessoa dependendo de como elas estão se saindo. Para isso, o desempenho de cada operador humano é avaliado através de questionários auto-relatados e dados coletados de sensores que monitoram estados físicos e comportamentais.

Para testar essa nova abordagem, os pesquisadores criaram uma tarefa de monitoramento usando câmeras de circuito fechado (CCTV) como exemplo. Eles realizaram experimentos com 32 sujeitos humanos, coletando dados para ver como o novo sistema funcionava. O objetivo era demonstrar a importância de medidas subjetivas (auto-relatadas) e objetivas (baseadas em sensores) da carga de trabalho de uma pessoa para melhorar o desempenho da equipe composta por humanos e robôs.

#A Importância das Equipes Multi-Humanas Multi-Robôs

As equipes Multi-Humanas Multi-Robôs (MH-MR) são formadas por vários operadores humanos trabalhando ao lado de múltiplos robôs. Essas equipes permitem que humanos e robôs compartilhem responsabilidades, tornando-as mais eficientes e flexíveis na realização de tarefas. Ter vários robôs reduz o risco de falhas, resultando em sistemas mais seguros. A combinação de muitos humanos também pode levar a uma melhor tomada de decisões, já que eles podem reunir e analisar mais informações coletivamente.

Essas equipes MH-MR são úteis em várias aplicações, como monitoramento de ambientes, busca por pessoas desaparecidas, patrulhamento de áreas ou até mesmo gerenciamento de linhas de produção de fábricas com braços robóticos.

#Desafios de Trabalhar com Robôs

Enquanto os robôs podem realizar tarefas muito bem, ainda têm dificuldades em entender situações complexas e em mudança no mundo real, especialmente por longos períodos. Por exemplo, quando as situações mudam ou novas tarefas surgem, os robôs podem ter problemas para se ajustar sem a ajuda humana. É aí que os operadores humanos entram em cena, mas ter muitos robôs sob a supervisão de um único operador pode levar a uma sobrecarga.

Portanto, ter múltiplos operadores pode ajudar a dividir a carga de gerenciar vários robôs, criando equipes MH-MR mais eficientes.

Contudo, incluir humanos nessas equipes traz novos desafios. Os humanos podem passar por flutuações na carga de trabalho e nas emoções, afetando seu desempenho. Compreender e gerenciar como as cargas de trabalho são alocadas entre os membros da equipe é crucial para otimizar a eficácia da equipe.

#O Papel da Alocação de Carga de Trabalho

A alocação de carga de trabalho determina como as tarefas e responsabilidades são distribuídas entre os membros da equipe. Isso é muito importante para garantir que toda a equipe funcione sem problemas. Se um humano estiver sobrecarregado com muitas tarefas, seu desempenho pode sofrer. Encontrar uma maneira de equilibrar a carga de trabalho pode levar a uma eficiência melhor e resultados mais positivos.

Em estudos anteriores, pesquisadores examinaram como a alocação de carga de trabalho poderia ser melhorada, mas muitos métodos existentes ignoraram as diferenças entre os operadores humanos individuais. O desempenho humano pode variar muito, e essa variabilidade precisa ser levada em conta ao alocar tarefas em uma equipe MH-MR.

Um melhor entendimento da carga de trabalho cognitiva-o esforço mental necessário para completar tarefas-pode ajudar a desenvolver estratégias de alocação de carga de trabalho mais eficientes. Assim, se torna necessário encontrar maneiras de medir tanto a carga cognitiva subjetiva quanto a objetiva de forma eficaz.

#Medindo a Carga de Trabalho

Existem dois métodos principais usados para medir a carga de trabalho cognitiva: medições subjetivas e objetivas.

1. Medição Subjetiva: Isso envolve pedir aos operadores para se auto-relatarem sobre a carga de trabalho percebida através de questionários. Embora essas percepções possam ser valiosas, elas podem ser influenciadas por preconceitos pessoais e podem não representar o verdadeiro estado cognitivo do operador em todos os momentos.

2. Medição Objetiva: Esse método utiliza sensores para monitorar dados fisiológicos (como frequência cardíaca ou atividade cerebral) e sinais comportamentais (como movimentos oculares) para medir a carga de trabalho de forma mais precisa. As Medições Objetivas provavelmente fornecem dados mais confiáveis, mas podem ser afetadas por falhas ou imprecisões dos sensores.

Combinar ambos os tipos de medições pode levar a uma visão mais completa da carga de trabalho de um operador, permitindo decisões melhores sobre a alocação da carga de trabalho.

#O Proposto Controlador de Alocação de Carga de Trabalho Afetiva (AWAC)

Para melhorar a alocação de carga de trabalho, os pesquisadores desenvolveram o Controlador de Alocação de Carga de Trabalho Afetiva (AWAC). Esse sistema usa técnicas de aprendizado avançadas para atribuir tarefas de forma adaptativa entre os membros da equipe. O AWAC leva em conta tanto as medidas subjetivas quanto as objetivas da carga de trabalho cognitiva de cada operador e realoca tarefas para equilibrar as cargas de trabalho da equipe.

Por exemplo, se um operador relata estar se sentindo sobrecarregado, o sistema pode realocar algumas de suas tarefas para outro operador que está menos sobrecarregado. Isso ajuda a garantir que todos os operadores estejam trabalhando em níveis ótimos, melhorando então o desempenho de toda a equipe.

#Desenho Experimental

O AWAC foi testado através de uma série de experimentos usando uma tarefa de monitoramento por CCTV onde operadores humanos tinham que observar transmissões ao vivo de vários robôs. Os participantes precisavam identificar objetos anormais nas imagens captadas pelas câmeras.

Um total de 32 participantes completaram as tarefas, e foram monitorados de perto para coletar dados sobre seu desempenho e carga de trabalho cognitiva. Os experimentos foram projetados para comparar diferentes estratégias de alocação de carga de trabalho, como cargas de trabalho fixas versus cargas de trabalho adaptativas baseadas no AWAC.

Os participantes receberam instruções sobre o processo experimental e foram familiarizados com o ambiente da tarefa antes de começarem as principais atividades. Após completarem as tarefas, também relataram seus sentimentos e experiências para esclarecer a eficácia do AWAC.

#Resultados dos Experimentos

Os achados mostraram que usar o AWAC para alocar cargas de trabalho melhorou significativamente o desempenho das equipes em comparação com métodos que não levavam em conta o estado cognitivo dos operadores humanos. A alocação adaptativa de carga de trabalho levou a um desempenho geral melhor, sugerindo que a abordagem de considerar a carga cognitiva pode resultar em uma colaboração mais efetiva entre humanos e robôs.

Os participantes geralmente concordaram que a realocação das cargas de trabalho tornou suas tarefas mais fáceis e mais gerenciáveis. O feedback das entrevistas indicou que muitos preferiram usar o sistema AWAC em vez de atribuições rígidas de tarefas.

#Conclusão

O desenvolvimento e teste do Controlador de Alocação de Carga de Trabalho Afetiva (AWAC) destacam a importância de reconhecer e acomodar a carga de trabalho cognitiva dos operadores humanos em equipes multi-humanas multi-robôs. Ao combinar medições subjetivas e objetivas, o AWAC pode gerenciar tarefas de forma eficiente, levando a um desempenho melhor.

À medida que a tecnologia continua a avançar, a integração de tais sistemas adaptativos será crucial para aprimorar a eficácia do trabalho em equipe entre humanos e robôs, permitindo que esses sistemas realizem tarefas complexas de forma segura e eficiente.

Os resultados sugerem que mais pesquisas e melhorias na alocação de carga de trabalho podem contribuir positivamente para uma variedade de aplicações na interação humano-robô, potencialmente transformando a maneira como trabalhamos ao lado da tecnologia robótica no futuro.