Quantifying Movement Coordination in Human-Robot Interaction

Niniejsza praca magisterska bada dynamikę interakcji pomiędzy człowieka a robotem w kolaboracyjnym działaniu. Wykorzystując metody nieliniowej analizy sekwencji czasowych, Recurrence Quantification Analysis (RQA) oraz Cross Recurrence Quantification Analysis (cRQA) praca ta analizuje jak różne roboty i tryby współpracy z nimi wpływają na dynamikę interakcji człowiek-robot. Badanie, z którego pochodzą dane dotyczące ruchu, przeprowadzono w środowisku rzeczywistości wirtualnej (VR), w którym uczestnicy współpracowali z trzema rodzajami kolaboracyjnych robotów— Baxter’em (Rethink Robotics), KUKA LBR iiwa (KUKA Robotics) oraz Sawyer’em (Rethink Robotics)— nad prostym zadaniem montażowym, w dwóch trybach współpracy. Wyniki pokazują, że współpraca sekwencyjna sprzyja bardziej harmonijnym i uporządkowanym interakcjom w porównaniu do trybu pracy równoczesnej, który charakteryzuje się mniej stabilną i mniej przewidywalną koordynacją ruchową. Wśród badanych robotów humanoidalny Baxter wspierał płynniejsze i bardziej skoordynowane interakcje, podczas gdy Sawyer wykazywał najmniej korzystne wzorce koordynacji. Badanie podkreśla również, że czas wykonywania podzadań skraca się w czasie trwającej interakcji, a profile przyspieszenia rąk uczestników, stają się bardziej stabilne, zwłaszcza podczas interakcji z robotami humanoidalnymi. Wyniki te podkreślają znaczenie przemyślanego projektowania przepływu pracy oraz wyboru odpowiedniego robota do współpracy człowiek-robot.

This master dissertation explores the dynamics of human-robot collaboration, focusing on task efficiency, human motor performance, and movement coordination between the two agents during a collaborative task. Using Recurrence Quantification Analysis (RQA) and Cross Recurrence Quantification Analysis (cRQA), it examines how different collaborative robots and modes of collaboration with them, influence the overall human-robot interaction dynamics. The study, from which the movement data originates, was conducted in a virtual reality (VR) environment where participants collaborated with three types of robots—Baxter, KUKA LBR iiwa, and Sawyer— on a simple assembly task across two distinct modes of collaboration. Key findings reveal that sequential collaboration promotes more harmonious and structured interactions compared to the simultaneous mode, which is characterized by less stable and less predictable coordination. Among the robots, the most humanoid robot, Baxter, facilitated smoother and more adaptive interactions, while Sawyer exhibited the least favourable coordination patterns. The research highlights how both task efficiency and human motor performance improves over time. Acceleration profiles of human hands during the assembly task became more stable, and movements became more fluent, particularly when participants worked with humanoid robots. These results emphasize the significance of careful workflow design and selecting the appropriate robot to optimize human-robot collaboration.