基于最优动作的或基于用户预测的触觉引导：你能做得更好吗？

文献标题

Optimal Action-based or User Prediction-based Haptic Guidance: Can You Do Even Better?

文献信息

• 主题领域: 物理人机交互 (pHRI) 中的触觉引导设计与实现
• 关键词: 触觉引导, 物理人机交互, 用户适应, 深度学习, 优化动作, 用户预测, 强化学习, 元学习, 实验评估
• 会议: CHI 2021（Yokohama, Japan）

研究背景与问题

• 作者发现了哪些问题或挑战？

  • 触觉引导（Haptic Guidance, HG）分为两种主要类型：基于优化动作的触觉引导（Optimal Action-based Haptic Guidance, OAHG）和基于用户预测的触觉引导（User Prediction-based Haptic Guidance, UPHG）。尽管二者都能改善任务表现，但在用户体验和用户接受度方面的差异尚未被充分比较。
  • 触觉引导可能与用户意图发生冲突，导致用户不适感和任务失败。此外，现有的设计难以同时优化用户的主观体验与任务完成度。
  • 缺乏一种能够结合 OAHG 和 UPHG 优势并实现更优绩效的触觉引导设计方法。

• 为什么这个问题很重要？

  • 触觉引导系统已在驾驶辅助、手术协助、远程操作等多个领域应用，其性能直接影响用户的操作效率、舒适度和对技术的接受程度。
  • 在探索新型触觉引导设计的同时，更好地理解用户偏好与算法性能对触觉引导效果的影响具有重要意义。

• 研究动机与相关工作

  • OAHG：提供最优操作策略以协助用户完成任务，但可能与用户偏好冲突，从而影响用户体验。
  • UPHG：基于用户行为的预测来提供指导，增强用户体验，但可能未必提供最优的动作。
  • 过去研究侧重于单一触觉引导类型的优缺点分析，鲜有讨论二者的结合方式。
  • 引入深度学习的最新技术（如强化学习、元学习）为开发新型触觉引导方法提供了新的契机。

解决方案

• 作者提出了哪些方法或解决方案？

  • 开发三种触觉引导方法：OAHG、UPHG 和一种结合二者的触觉引导（CombHG），并进行了实验评估。
  • 提出基于深度学习的实现方法，包括基于强化学习的 OAHG 和基于元学习的 UPHG，同时通过相似性控制和不确定性加权机制优化。
  • 结合了 OAHG 和 UPHG 的特性，提出了一种相似性加权策略以动态调整引导力（CombHG）。

• 该解决方案的创新之处是什么？

  • 首次结合 OAHG 和 UPHG 的优点，用以减少用户与引导系统的冲突并改进用户体验。
  • 提出了一套新的实现框架，充分利用深度学习方法，包括：
    1. 不确定性阈值（Uncertainty-based Thresholding, UT） ：通过模型输出的不确定性自适应调整引导力。
    2. 用户适应模块（User Adaptation, UA）：基于元学习，动态调整触觉引导模型以匹配个体用户行为。
    3. 相似性加权（Similarity-based Combination, SC）：在 OAHG 和 UPHG 冲突时，优先减弱干扰力。

• 实施步骤是什么？使用了哪些关键技术？

  1. 模型训练:
     • OAHG 使用自竞争式深度强化学习（Self-play）在模拟环境中训练最优策略。
     • UPHG 使用用户实验数据与元学习（MAML）实现模型的快速适配。
  2. 触觉引导力生成:
     • 基于当前状态及未来预测状态，生成 OAHG 和 UPHG 的目标动作。
     • 结合 UT 和 SC 技术调整最终引导力。
  3. 实验评估:
     • 设计虚拟空气曲棍球环境，使用触觉设备测试三种 HG 方法的用户表现（主客观评价）。

研究成果

• 取得了哪些具体成果？

  • 性能比较: 与未使用触觉引导的基线（NHG）相比，OAHG、UPHG 和 CombHG 三种方法均显著提高了用户的任务表现（如赢率）。
  • 用户体验:
    • UPHG 在自然性、舒适性和可控性上超越了 OAHG。
    • CombHG 降低了用户与引导之间的冲突（平均分歧度），同时在主客观评价上均未出现下降。
  • 方法效用: 提出的 UT、UA 和 SC 方法在减少冲突和提升用户主观体验方面成果显著。

• 与现有解决方案相比，它有哪些优势？

  • 首次提出了一种结合优化动作和用户预测的触觉引导方法（CombHG），实现了性能和用户体验的双赢。
  • 应用了深度学习和元学习技术，确保了触觉引导系统具有灵活性和个性化。

• 实验或评估结果是什么？

  • 在 20 名参与者的用户研究中，CombHG 显著降低了用户与系统之间的冲突。
  • 相较 OAHG 和 UPHG，CombHG 带来了更为平衡的表现，尤其在用户主观评价指标（如自然性、舒适性）上分数最高。

• 局限性与未来方向

  • 局限性:
    • 实验范围局限于虚拟环境中的空气曲棍球任务，尚未验证在更复杂、真实的pHRI场景中的性能。
    • 用户样本规模有限，未来需进一步验证方法的鲁棒性及泛化性。
  • 未来方向:
    • 将方法拓展到更真实的物理场景，如手术协助、驾驶辅助等。
    • 融合更多传感模态（如视觉、听觉）以进一步增强用户体验。
    • 探索其他深度学习策略或新型元学习方法以提升模型性能。