Isyarat LED dan Paparan Emosi dalam Ruang Kerja Bersama Manusia-Robot

Kandungan

• 1. Pengenalan
• 2. Metodologi
  • 2.1 Persediaan Eksperimen
  • 2.2 Keadaan Diuji
• 3. Pelaksanaan Teknikal
  • 3.1 Sistem Isyarat LED
  • 3.2 Algoritma Paparan Emosi
• 4. Keputusan dan Analisis
  • 4.1 Metrik Prestasi
  • 4.2 Persepsi Pengguna
• 5. Pelaksanaan Kod
• 6. Aplikasi Masa Depan
• 7. Rujukan

1. Pengenalan

Kerjasama manusia-robot dalam ruang kerja bersama memerlukan komunikasi yang berkesan untuk memastikan keselamatan dan kecekapan. Kajian ini menyiasat bagaimana komunikasi bukan lisan melalui isyarat LED dan paparan emosi dapat meningkatkan interaksi manusia-robot. Kajian ini menangani cabaran kritikal untuk mencegah perlanggaran sambil mengekalkan kecekapan aliran kerja dalam persekitaran industri di mana komunikasi pendengaran mungkin tidak boleh dipercayai disebabkan bunyi latar belakang.

2. Metodologi

Eksperimen ini melibatkan 18 peserta yang bekerjasama dengan robot Franka Emika Panda yang dilengkapi jalur LED pada end effector-nya dan paparan muka animasi pada tablet. Kajian ini menilai tiga keadaan komunikasi untuk menilai kesannya terhadap jangkaan perlanggaran dan prestasi tugas.

2.1 Persediaan Eksperimen

Sistem robot dikonfigurasikan dengan isyarat LED berkod warna yang mewakili niat pergerakan berbeza: hijau untuk pergerakan selamat, kuning untuk berhati-hati, dan merah untuk risiko perlanggaran hampir. Sistem paparan emosi menggunakan tablet untuk menunjukkan ekspresi muka yang sepadan dengan niat mengelak perlanggaran robot.

2.2 Keadaan Diuji

• Keadaan A: Isyarat LED sahaja
• Keadaan B: Isyarat LED dengan paparan emosi reaktif
• Keadaan C: Isyarat LED dengan paparan emosi pencegahan

3. Pelaksanaan Teknikal

3.1 Sistem Isyarat LED

Sistem kawalan LED menggunakan pendekatan berasaskan kebarangkalian untuk menentukan risiko perlanggaran. Sistem mengira jarak antara end effector robot dan operator manusia menggunakan:

$P(perlanggaran) = \frac{1}{1 + e^{-k(d - d_0)}}$

di mana $d$ ialah jarak semasa, $d_0$ ialah ambang keselamatan, dan $k$ ialah parameter sensitiviti.

3.2 Algoritma Paparan Emosi

Sistem paparan emosi melaksanakan mesin keadaan terhingga dengan tiga keadaan emosi utama: neutral, bimbang, dan waspada. Peralihan antara keadaan dicetuskan oleh ambang kedekatan dan halaju pergerakan.

4. Keputusan dan Analisis

4.1 Metrik Prestasi

4.2 Persepsi Pengguna

Keputusan soal selidik menunjukkan bahawa paparan emosi meningkatkan interaktiviti yang dirasakan dengan ketara (p < 0.05) tetapi tidak meningkatkan kejelasan komunikasi atau kecekapan tugas berbanding isyarat LED sahaja.

5. Pelaksanaan Kod

class EmotionalDisplayController:
    def __init__(self):
        self.states = ['neutral', 'concerned', 'alert']
        self.current_state = 'neutral'
    
    def update_emotion(self, distance, velocity):
        risk_score = self.calculate_risk(distance, velocity)
        
        if risk_score < 0.3:
            self.current_state = 'neutral'
        elif risk_score < 0.7:
            self.current_state = 'concerned'
        else:
            self.current_state = 'alert'
        
        return self.get_emotional_display()
    
    def calculate_risk(self, d, v):
        # Pengiraan risiko ternormalisasi
        distance_risk = max(0, 1 - d / SAFETY_DISTANCE)
        velocity_risk = min(1, v / MAX_VELOCITY)
        return 0.6 * distance_risk + 0.4 * velocity_risk

6. Aplikasi Masa Depan

Penemuan kajian ini mempunyai implikasi penting untuk robotik industri, robotik penjagaan kesihatan, dan robotik perkhidmatan. Kerja masa depan harus memberi tumpuan kepada paparan emosi adaptif yang belajar daripada respons pengguna individu dan perbezaan budaya dalam tafsiran emosi.

7. Rujukan

1. Ibrahim, M., et al. "Investigating the Effect of LED Signals and Emotional Displays in Human-Robot Shared Workspaces." arXiv:2509.14748 (2025).
2. Breazeal, C. "Designing Sociable Robots." MIT Press (2002).
3. Bartneck, C., et al. "The CAROQ head: A head-shaped interface for emotional communication." Robotics and Autonomous Systems (2020).
4. Goodfellow, I., et al. "Generative Adversarial Networks." Advances in Neural Information Processing Systems (2014).

Analisis Pakar