A Theoretical Foundation for Erroneous Behavior in Human–Robot Interaction
Notice bibliographique
Résumé
The advent of mass customization has precipitated a need within the industry for the implementation of collaborative robots, which facilitate the integration of human cognitive capabilities with the speed and repeatability of robots. This coupling, however, engenders a closer collaboration between the partners, thereby necessitating collective synergy to achieve optimal scheduling while circumventing musculoskeletal disorders. It is imperative to study and analyze the behavior of humans and robots in interaction, as the current paradigm strives to achieve an optimal interaction between the two partners with the objective of ensuring productivity, safety, cognitive ergonomics and preventing musculoskeletal disorders. However, human behavior is variable and can, on occasion, give rise to anomalies in the interaction. Consequently, it is imperative that the robot partner exhibits precise behavior, whether proactive or reactive. This paper puts forth a unified perspective on robot behavior when confronted with human abnormal behavior during interaction on the factory floor. This systematic literature review and meta-analysis employs the PRISMA methodology to examine the literature on human and robot behavior in human–robot interaction in an industrial context, with a particular focus on robot behavior when confronted with human abnormal behavior during interaction. A systematic search of nearly 2,609 papers yielded 133 for inclusion in this systematic review. In light of the findings presented in this review, it can be concluded that the selection of robot actions based on human behavior represents a novel area of research that requires further investigation, particularly with regard to proactive online behavioral approaches. Indeed, there is a vast array of robot behavior modalities in response to typical human behavior (e.g., command input). However, there is currently no prescribed robot reaction based on atypical human behavior (e.g., misplacement in the factory floor, repetition of tasks, etc.). This lack of definition complicates the deployment of such technology in the smart factory. Consequently, it is essential to define new decision strategies based, for instance, on artificial intelligence approaches.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,043 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,010 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,014 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».