MétaCan
Menu
Retour à la cohorte
Enregistrement W2079409797 · doi:10.1109/robio.2014.7090357

Human behavioural responses to robot head gaze during robot-to-human handovers

2014· article· en· W2079409797 sur OpenAlexafffund
Minhua Zheng, AJung Moon, Brian T. Gleeson, Daniel M. Troniak, Matthew K. X. J. Pan, Benjamin A. Blumer, Max Q.‐H. Meng, Elizabeth A. Croft

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePsychology
ThématiqueSocial Robot Interaction and HRI
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesUniversity of British Columbia
Mots-clésGazeRobotHuman–robot interactionComputer scienceFrame (networking)Artificial intelligenceComputer visionObject (grammar)Social robotHuman–computer interactionPsychologyMobile robotRobot control

Résumé

récupéré en direct d'OpenAlex

A robot that can fluently hand over objects to people can be useful in many applications. In an effort to develop a fluent robot-to-human handover system, this work investigates people's behavioural responses to a robot that hands over objects to them while using different types of gaze cues. In our previous work, we found empirical evidence that the use of a robot's head gaze can affect a person's timing of reaching towards the offered object. In this paper, we investigate this effect further by exploring the manner in which human's reaching and gaze behaviours are affected by a robot's head gaze. We conducted a video-based investigation of 97 naïve participants' behavioural responses to robot-to-human handovers. Through a frame-by-frame analysis, we recorded a detailed timeline of the robot's and human's gaze and reaching behaviours. Results confirm the finding from our previous study that the robot's head gaze can significantly impact the timing of human receiver's reaching behaviour during handovers. In addition, our results demonstrate that the robot's head gaze affects human's gaze behaviour during handovers, and this effect explains some unexpected findings in our previous work.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,091
Tête enseignante GPT0,426
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetSocial Robot Interaction and HRITravaux en français237 207