DOI: https://doi.org/10.1016/j.eswa.2026.131246
تاريخ النشر: 2026-01-18
المؤلف: Luca Castri وآخرون
الموضوع الرئيسي: التفاعل بين الإنسان والآلات والسلامة
نظرة عامة
تقدم البحث إطار عمل جديد قائم على السببية مصمم لتعزيز الكفاءة التشغيلية للروبوتات المستقلة في البيئات المشتركة، مثل المستودعات. يستفيد هذا الإطار من الاستدلال السببي لنمذجة العلاقات بين السبب والنتيجة، مما يمكّن الروبوتات من اتخاذ قرارات مستنيرة بشأن تنفيذ المهام، والتوقيت، والاستراتيجية بناءً على عوامل بيئية حاسمة مثل استخدام البطارية والعوائق البشرية. يقدم الدراسة PeopleFlow، وهو محاكي قائم على Gazebo يقوم بنمذجة التفاعلات المكانية بين البشر والروبوتات، مما يسمح بمحاكاة واقعية لعدة عوامل تتأثر بالعوامل السياقية. تم تقييم الإطار في سيناريو مستودع، مما أظهر تحسينات كبيرة في كفاءة التخطيط والسلامة مقارنةً بأساس غير سببي.
في الختام، يدمج الإطار المقترح من البداية إلى النهاية اكتشاف السببية من بيانات المستشعرات مع التفكير السببي لتخطيط الحركة، مما يمثل تقدمًا كبيرًا في هذا المجال. ستركز الأعمال المستقبلية على التحقق من صحة الإطار في العالم الحقيقي على الروبوتات الفعلية، وتعزيز الاستقلالية على المدى الطويل، واستكشاف قابلية التوسع للروبوتات المتعددة. بالإضافة إلى ذلك، يهدف البحث إلى دمج تعلم الميزات السببية لتحسين التكيف في البيئات الديناميكية، مما يسمح للروبوتات بالتكيف بشكل مستقل مع التغييرات دون تدخل بشري.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الإمكانات التحويلية للروبوتات المتنقلة المستقلة عبر مختلف القطاعات، بما في ذلك الصناعة، واللوجستيات، والزراعة، والرعاية الصحية. ومع ذلك، فإن دمج هذه الروبوتات في البيئات الديناميكية المشتركة مع البشر يطرح تحديات كبيرة، لا سيما فيما يتعلق بالسلامة والكفاءة بسبب اللقاءات البشرية غير المتوقعة. يؤكد المؤلفون على أهمية فهم العلاقات السببية في التفاعلات بين البشر والروبوتات، والتي يمكن أن تعزز قدرات اتخاذ القرار للروبوتات وفعاليتها التشغيلية. على الرغم من الاهتمام المتزايد بالاستدلال السببي في مجال الروبوتات، لا يزال هناك فجوة في تطبيق هذه المفاهيم على السيناريوهات الواقعية، لا سيما في البيئات الديناميكية حيث يكون سلوك البشر غير متوقع.
لمعالجة هذه الفجوة، تقترح الورقة إطار عمل معزز بالسببية يسمح للروبوتات بنمذجة الحالات ذات الصلة لكل من البشر وبيئتهم. من خلال الاستفادة من المعرفة السببية، يمكن للروبوتات التنقل في المساحات المشتركة بشكل أكثر فعالية، مما يقلل من المخاطر المرتبطة بالتفاعلات البشرية. يقدم المؤلفون إطار عمل جديد من البداية إلى النهاية يدمج اكتشاف السببية من بيانات المستشعرات مع التفكير السببي لتخطيط الحركة ضمن نظام تشغيل الروبوتات (ROS). بالإضافة إلى ذلك، يقدمون محاكيًا جديدًا، PeopleFlow، الذي يولد سلوكيات مكانية معقدة للعوامل التي تتكيف مع التغييرات الديناميكية والعوامل السياقية. تختتم الورقة بتقييم تجريبي شامل للإطار المقترح في بيئة مستودع محاكية، مما يوضح جدواه ومزاياه مقارنةً بالنهج غير السببية التقليدية.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجربة والمنهجية المستخدمة لتقييم إطار عملهم لاتخاذ القرار للتفاعل الاجتماعي بين البشر والروبوتات (HRSI) في بيئة مستودع محاكية. تم إجراء التجارب على جهاز كمبيوتر مكتبي عالي الأداء يعمل بنظام Ubuntu 20.04 LTS و ROS-Noetic، باستخدام نهج المحاكاة لتجاوز التحديات اللوجستية لجمع البيانات الواقعية في الإعدادات الديناميكية. سمح المحاكي بإنشاء 11 سيناريو متميز يختلف حسب نشاط العمال ومهام الروبوتات على مدار اليوم، مما يلتقط أنماط الازدحام والسلوكيات البشرية الواقعية. على سبيل المثال، خلال وقت الغداء (S6)، قام الروبوت بأداء مهام الخدمة في الكافتيريا، بينما في فترات أخرى، شارك في عمليات الالتقاط والنقل.
لتقييم أداء الإطار، نفذ المؤلفون خمس مهام توصيل تمثيلية عبر فترتين زمنيتين (H2 و H6)، تعكس مستويات نشاط بشري مختلفة. قاموا بتغيير ثلاثة أوزان هيوريستية بشكل منهجي—$\lambda_\delta$، $\lambda_D$، و $\lambda_L$—عبر ثلاثة مستويات لكل منها، مما أسفر عن 27 تكوينًا فريدًا. كانت هذه التحليل الحساس تهدف إلى تقييم التفاعلات وتأثيرات هذه الأوزان على مقاييس الأداء، مثل معدلات النجاح، وعدد الاصطدامات، وكفاءة الوقت. تهدف النتائج من هذا التحليل الشامل إلى التحقق من استراتيجية الأولويات لوجود البشر على تكلفة البطارية والمسافة إلى الهدف، مما يعزز فعالية الإطار في التطبيقات الواقعية.
نتائج
تظهر نتائج التجارب فعالية النهج المقترح في تعزيز كل من مقاييس الكفاءة والسلامة. تشمل مقاييس الكفاءة، كما هو موضح في الشكل 10، عدد نجاحات المهام وفشلها، المسافة المقطوعة، وقت إكمال المهام، واستهلاك البطارية، مع تقسيم كل مقياس إلى فئات ذات صلة. من الجدير بالذكر أن التحليل يكشف أن التكوينات التي تحقق الأداء الأمثل تتبع ترتيب أولوية محدد للمعلمات، المشار إليه بـ $\lambda_D > \lambda_L > \lambda_\delta$. كان التكوين الأمثل المحدد هو $(\lambda_\delta = 1, \lambda_D = 10, \lambda_L = 5)$، الذي قدم توازنًا ملائمًا بين الأداء التشغيلي والسلامة، محققًا مسافة دنيا قدرها 0.53 م بين الروبوت والبشر.
فيما يتعلق بالسلامة، تشمل المقاييس التي تم تقييمها عدد الاصطدامات والامتثال القريب بين البشر والروبوتات، كما هو موضح في الشكل 11. تشير النتائج إلى أن الإطار الكامل القائم على السببية تفوق باستمرار على الأساليب الأخرى في تقليل الاصطدامات والحفاظ على المسافات المناسبة عبر مناطق القرب المختلفة. تؤكد النتائج على أهمية تكوين المعلمات المختارة في تحقيق معدلات نجاح عالية في المهام مع ضمان تفاعلات آمنة مع البشر، مما يثبت فعالية المنهجية المقترحة في التطبيقات الواقعية.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التفاعل بين السببية والروبوتات، مع التأكيد على كيفية تعزيز النماذج السببية لفهم الروبوتات وقدرتها على اتخاذ القرار في البيئات الديناميكية. يعد الاستدلال السببي، الذي يتكون من اكتشاف السببية والتفكير، أمرًا حيويًا لتحديد العلاقات بين السبب والنتيجة من البيانات، لا سيما في تطبيقات الروبوتات التي غالبًا ما تتضمن بيانات مستشعرات زمنية. تم تطوير طرق مختلفة، مثل خوارزمية PCMCI وامتداداتها، لتسهيل اكتشاف السببية، مما يمكّن الروبوتات من التنقل والتفاعل بفعالية داخل بيئاتها. ومع ذلك، تركز الأساليب الحالية بشكل أساسي على اكتشاف السببية بدلاً من دمج التفكير السببي في عمليات اتخاذ القرار، لا سيما في السياقات المتمحورة حول البشر.
تقدم الورقة إطار عمل جديد من البداية إلى النهاية يدمج التفكير السببي في اتخاذ القرار الروبوتي، مما يسمح للروبوتات باتخاذ خيارات مستنيرة بناءً على العوامل السياقية والعلاقات السببية. تم تصميم هذا الإطار لتعزيز كفاءة تنفيذ المهام وضمان سلامة البشر أثناء التفاعلات. كما يتناول المؤلفون قيود مجموعات البيانات والمحاكيات الحالية التي تفشل في التقاط الاعتمادات السياقية في التفاعلات المكانية بين البشر والروبوتات (HRSI). للتغلب على هذه التحديات، يقدمون PeopleFlow، وهو بيئة محاكاة تقوم بنمذجة السلوكيات الحساسة للسياق، مما يمكّن من إنشاء سيناريوهات واقعية لتقييم النماذج السببية وتحسين فهم التفاعلات بين البشر والروبوتات في المساحات المشتركة. بشكل عام، يهدف الإطار والأداة المحاكية المقترحة إلى تعزيز دمج السببية في الروبوتات، مما يمهد الطريق لتعاون أكثر أمانًا وكفاءة بين البشر والروبوتات.
DOI: https://doi.org/10.1016/j.eswa.2026.131246
Publication Date: 2026-01-18
Author(s): Luca Castri et al.
Primary Topic: Human-Automation Interaction and Safety
Overview
The research presents a novel causality-based decision-making framework designed to enhance the operational efficiency of autonomous robots in shared environments, such as warehouses. This framework leverages causal inference to model cause-and-effect relationships, enabling robots to make informed decisions regarding task execution, timing, and strategy based on critical environmental factors like battery usage and human obstructions. The study introduces PeopleFlow, a Gazebo-based simulator that models human-robot spatial interactions, allowing for realistic simulations of multiple agents influenced by contextual factors. The framework was evaluated in a warehouse scenario, demonstrating significant improvements in planning efficiency and safety compared to a non-causal baseline.
In conclusion, the proposed end-to-end framework integrates causal discovery from sensor data with causal reasoning for motion planning, marking a significant advancement in the field. Future work will focus on real-world validation of the framework on actual robots, enhancing long-term autonomy, and exploring multi-robot scalability. Additionally, the research aims to incorporate causal feature learning to further improve adaptability in dynamic environments, allowing robots to autonomously adjust to changes without human intervention.
Introduction
The introduction of this research paper highlights the transformative potential of autonomous mobile robots across various sectors, including industry, logistics, agriculture, and healthcare. However, the integration of these robots into dynamic environments shared with humans poses significant challenges, particularly regarding safety and efficiency due to unexpected human encounters. The authors emphasize the importance of understanding causal relationships in human-robot interactions, which can enhance the robots’ decision-making capabilities and operational effectiveness. Despite the growing interest in causal inference within robotics, a gap remains in applying these concepts to real-world scenarios, particularly in dynamic environments where human behavior is unpredictable.
To address this gap, the paper proposes a causality-enhanced decision-making framework that allows robots to model relevant states of both humans and their environment. By leveraging causal knowledge, robots can navigate shared spaces more effectively, minimizing risks associated with human interactions. The authors introduce a novel end-to-end framework that integrates causal discovery from sensor data with causal reasoning for motion planning within the Robot Operating System (ROS). Additionally, they present a new simulator, PeopleFlow, which generates complex spatial behaviors of agents that adapt to dynamic changes and contextual factors. The paper concludes with a thorough experimental evaluation of the proposed framework in a simulated warehouse environment, demonstrating its feasibility and advantages over traditional non-causal approaches.
Methods
In this section, the authors detail the experimental setup and methodology used to evaluate their decision-making framework for human-robot social interaction (HRSI) in a simulated warehouse environment. The experiments were conducted on a high-performance desktop computer running Ubuntu 20.04 LTS and ROS-Noetic, utilizing a simulation approach to circumvent the logistical challenges of collecting real-world data in dynamic settings. The simulator allowed for the creation of 11 distinct scenarios that varied by worker activity and robot tasks throughout the day, capturing realistic congestion patterns and human behaviors. For instance, during lunchtime (S6), the robot performed service tasks in the canteen, while in other slots, it engaged in pick-and-place operations.
To assess the framework’s performance, the authors executed five representative delivery tasks across two time slots (H2 and H6), reflecting different human activity levels. They systematically varied three heuristic weights—$\lambda_\delta$, $\lambda_D$, and $\lambda_L$—across three levels each, resulting in 27 unique configurations. This sensitivity analysis aimed to evaluate the interactions and impacts of these weights on performance metrics, such as success rates, collision counts, and time efficiency. The findings from this comprehensive analysis are intended to validate the prioritization strategy of human presence over battery cost and goal distance, thereby enhancing the framework’s effectiveness in real-world applications.
Results
The results of the experiments demonstrate the effectiveness of the proposed approach in enhancing both efficiency and safety metrics. Efficiency metrics, as illustrated in Figure 10, include task success and failure counts, travelled distance, task completion time, and battery consumption, with each metric broken down into relevant categories. Notably, the analysis reveals that the configurations yielding optimal performance adhered to a specific prioritization order of parameters, denoted as $\lambda_D > \lambda_L > \lambda_\delta$. The optimal configuration identified was $(\lambda_\delta = 1, \lambda_D = 10, \lambda_L = 5)$, which provided a favorable balance between operational performance and safety, achieving a minimum distance of 0.53 m between the robot and humans.
In terms of safety, metrics evaluated included the number of collisions and human-robot proxemic compliance, as shown in Figure 11. The results indicate that the Full Causal framework consistently outperformed other approaches in minimizing collisions and maintaining appropriate distances across various proxemic zones. The findings underscore the importance of the selected parameter configuration in achieving high task success rates while ensuring safe interactions with humans, thereby validating the proposed methodology’s effectiveness in real-world applications.
Discussion
The discussion section of the research paper highlights the interplay between causality and robotics, emphasizing how causal models enhance robotic understanding and decision-making in dynamic environments. Causal inference, which consists of causal discovery and reasoning, is crucial for identifying cause-and-effect relationships from data, particularly in robotics applications that often involve time-series sensor data. Various methods, such as the PCMCI algorithm and its extensions, have been developed to facilitate causal discovery, enabling robots to navigate and interact effectively within their environments. However, existing approaches primarily focus on causal discovery rather than integrating causal reasoning into decision-making processes, particularly in human-centered contexts.
The paper introduces a novel end-to-end framework that incorporates causal reasoning into robotic decision-making, allowing robots to make informed choices based on contextual factors and causal relationships. This framework is designed to enhance task execution efficiency and ensure human safety during interactions. The authors also address the limitations of current datasets and simulators that fail to capture contextual dependencies in human-robot spatial interactions (HRSI). To overcome these challenges, they present PeopleFlow, a simulation environment that models context-sensitive behaviors, enabling the generation of realistic scenarios for evaluating causal models and improving the understanding of human-robot interactions in shared spaces. Overall, the proposed framework and simulation tool aim to advance the integration of causality in robotics, paving the way for safer and more efficient human-robot collaboration.