المسؤولة عن التحكم بجميع أجزاء الروبوت ، السيطرة على الروبوتات مهمة غير تافهة تتطلب تصورات وقرارات وإجراءات معقدة باستخدام معلومات محدودة. في حين أن العديد من الأنظمة التي يتم التحكم فيها عن بعد لا تزال تستخدم مشغلين بشريين فقط ، فإن تضمين الأتمتة أصبح الآن أكثر شيوعًا. نادرًا ما يحل التحكم الآلي محل المشغلين البشريين تمامًا ، لأن التكنولوجيا المعاصرة ليست كافية بعد ، لكن الأتمتة يمكن أن تدعم عملهم. يُظهر خلط عناصر التحكم الكثير من الأمل ، مما يخفف عن المشغلين أعباء العمل ، ويسمح باستخدام الروبوتات التي يتم التحكم فيها عن بُعد في البيئات التي لا يمكن التحكم فيها مسبقًا (على سطح المريخ على سبيل المثال McCurdy 2009). تسمح أنظمة الحكم الذاتي القابلة للتعديل والقابلة للتكيف برفع مستوى الأتمتة أو خفضه أثناء تنفيذ المهمة. يسمح هذا بإقران قدرات كل من المشغل البشري والأتمتة بشكل مناسب مع أقسام المهمة الإجمالية التي تناسبها بشكل أفضل، عروس يقدم لك المسؤولة عن التحكم بجميع أجزاء الروبوت.

مبادئ المسؤولية المعينة

  • في بعض المجالات ، يمكن التخطيط جيدًا لعمليات الروبوت الحقيقية مسبقًا. سواء لتوجيه وتنظيم العاملين البشريين أو الروبوتات المستقلة أو البشر الذين يستخدمون الروبوتات ، يتم استخدام خطط العمليات حاليًا في الكثير من الأعمال الحالية. في البيئات التي يمكن التنبؤ بها نسبيًا مثل المستودعات (كروسبي وبيتريك 2014 ) وحقول المزارع (زيون وآخرون. 2014 ) ، تكون الخطط فعالة في التحكم في مهام الروبوت ، بينما في المهام التي تنطوي على تعقيد أو خطر على العاملين البشريين أو إزعاج للجمهور أو نفقات كبيرة للمنظمات المعنية ، مثل صيانة منصات البترول (ناس وآخرون 2009 ) وتشييد المباني (Hendrickson and Au 1989) ، خطط العمليات هي بالفعل ممارسة راسخة. عادة ما يتم إعداد الخطط يدويًا ولكن اليوم يمكن استخدام خوارزميات التخطيط المطبقة في أدوات البرمجيات للمساعدة (McCurdy 2009 ؛ Ding et al. 2013 ).
  • في حالات التحكم المختلط ، يكون خطر ارتباك المشغل أو عدم الاستعداد موجودًا دائمًا. لطالما فهمت مشاكل فقدان الوعي الظرفي والمهارات الإدراكية والتحكمية (مشكلة الإنسان خارج الحلقة ) على أنها مصدر مشكلة في HRI (Endsley and Kiris 1995 ). إن تعارضات التحكم في مشغل الآلة في أوضاع التحكم المختلطة متورطة في الحوادث وعدم الكفاءة في العديد من الحالات (شيريدان وباراسورامان 2005 ). أصبح من الممكن الآن ضبط السائق غير مستعد لتولي السيطرة فجأة في مركبة ذاتية القيادة مصدر قلق كبير لمصممي هذه الأنظمة (Ohn-Bar و Trivedi 2016). يشير كل هذا إلى أنه يمكن تحسين التفاعلات بين الإنسان والآلة من خلال توصيل مسؤوليات التحكم بأكبر قدر ممكن من الوضوح عند كل منعطف. اقترح العمل السابق أن إحدى الطرق لتجنب مشكلة خروج الإنسان من الحلقة هي التأكد من أن المشغل متورط في المزيد من العمل الذي يتم إنجازه (أي: التشغيل بشكل عام عند LoA أقل ، Kaber وآخرون 2000 ). لمعالجة مشكلة الحلقة التي يخرج منها الإنسان دون زيادة عبء عمل المشغل ، تقدم AR بدلاً من ذلك طريقة تعاقدية لضمان تحديد المسؤوليات التشغيلية بوضوح وفهمها بالكامل من قبل المشغل البشري. هذا يضمن للمشغل العائد من فترة انقطاع تقديمه مع سياق المهمة الحالية: أي: ما حدث حتى الآن وما لم يحدث بعد.
  • يجب تحسين مرونة الآلات المجهزة عن بعد للإهمال - مدى سرعة تدهور أداء الروبوت عند توقف التحكم البشري - من خلال تصميم أفضل. منذ Goodrich et al. ( 2001) تصور تأثير LoA على تحمل النظام للإهمال ، وتم اعتبار التهدئة في التدهور في أداء نظام لم يحضره أو لا يمكن أن يحضره مراقب بشري على أنه فرصة لأتمتة مختلطة. بصرف النظر عن الوقت الضائع ، فإن روبوت AR الذي ينتقل من LoA آليًا للغاية إلى مستوى يعتمد على الإنسان سينتظر ببساطة ولن يفقد الأداء بشكل عام إذا لم يتحكم المشغل البشري ، ما لم تترك المهمة النظام في حالة غير آمنة. يمكن تصميم خطط المهام بحيث لا تفعل ذلك ؛ يمكن للوحدات المؤتمتة ملاحظة الظروف غير المستقرة وإلحاق إجراءات الأمان بنهاية المهمة الآلية من خلال جعل الاستقرار شرطًا للرضا عن الهدف. ومع ذلك ، فإن الفوائد الكاملة للإهمال للمشغلينلا يبدو أنه تم تقديره. هناك أسباب وجيهة للاعتقاد بأن النظام المصمم جيدًا يمكن أن يعمل بشكل أفضل من مجرد التدهور بأمان. يمكن استخدام التحولات المخططة في LoA لإدارة انتقالات الأسلوب بشكل أفضل ، مثل استخدام الرسائل لتوقع الحاجة الوشيكة للمشغلين للسيطرة ، أو توفير التوقيت للفواصل المسموح بها. لا يعرف المؤلفون أي تصميم آخر من شأنه أن يشجع المشغلين على تخفيف يقظتهم على النظام مؤقتًا.
  • يمكن تقليل عبء عمل المشغل والتعب والإحباط من خلال التغييرات المخطط لها ولكن التلقائية في LoA في حدود المهام الواضحة. إن تقليل إجهاد المشغل وأخطاء المشغل له أهمية قصوى في تصميم واجهات التشغيل عن بعد (Fischer et al. 1990 ) ، وبالتالي يجب أن يكون عاملاً دافعًا في تصميم نماذج جديدة مثل AR. عندما يتم تتبع التقدم من خلال خطة العمل تلقائيًا (Small et al. 2013) ، تصبح حواف الرسم البياني الهرمي ، التي تمثل نقاط الانتقال في متطلبات التحكم في المهام ، بارزة. نجادل (أدناه) أن نقاط الانتقال هذه هي أماكن ملائمة للتخطيط للتحولات في LoA. يُفترض أن التتبع التلقائي والتبديل التلقائي لخطابات العمل وأتمتة المهام المحتملة ستحقق التوازن الصحيح بين الفهم البشري والكفاءة الآلية. وصفت التجربة في الطائفة. 5 يتعلق بهذا الاستخدام "عقد" مشاركة العمل الصريح بين المشغل والروبوت حول الأدوار لتقليل الارتباك وتخفيف عبء العمل على المشغل والتعب وتحسين معدلات السرعة والخطأ.
  • تقسم الخطط العمل إلى تسلسل هرمي للمهام ، مما يوفر فرصًا تفيد في تطوير المزيد من الأتمتة بمرور الوقت.بافتراض أن الهدف النهائي هو تغطية أكثر اكتمالاً للمهام عن طريق الأتمتة ، فكر في مسألة ما إذا كان نظام AR يمكن أن يساعد في تطويره. نعتقد أنه يمكن مساعدة مطوري البرمجيات في بناء واختبار الوحدات الآلية. أولاً ، نظرًا لأن العملية مقسمة إلى مهام تحكم مصنفة ، يمكن تسجيل الإحصائيات الخاصة بأداء نظام الإنسان والآلة بشكل مفيد لكل منها. على سبيل المثال ، بالنسبة لمهمة معينة يتم تنفيذها في مستوى معين ، يمكن جدولة المدة وعدد الأخطاء ومقاييس الأداء الأخرى لكل تنفيذ. يمكن حتى استنباط المقاييس الذاتية للتوتر والإحباط من المشغل من خلال الواجهة بعد تحقيق الهدف في مهمة. يمكن أن تساعد هذه البيانات بعد ذلك في إنشاء أهداف تطوير لوحدات آلية جديدة ، والإشارة إلى المشاكل الموجودة. ثانيًا ، يقدم خبير بشري يشغل روبوتًا عن بُعد في سياق العمل إمكانية التقاط بيانات نموذجية قيمة يمكن استخدامها بواسطة برنامج التعلم الآلي لتكرار العمليات الماهرة بشكل مستقل. على الرغم من أن هذا التعلم عن طريق العرض ليس بالأمر السهل (Argall et al.2009 ؛ Ge et al. 2014 ) ، فإن القدرة على جمع البيانات البشرية المطلوبة بسهولة نسبيًا في سياق العمليات العادية أمر مفيد. علاوة على ذلك ، تتوفر أيضًا معلومات الهدف الإضافية التي يمكن أن تساعد في التعلم بسهولة في نظام AR. يمكن أن يساعد تقسيم البيانات النموذجية وفقًا لأهداف محددة بوضوح في تجنب التعرج الإدراكي ، والذي يؤدي بخلاف ذلك إلى اضطراب هذا النوع من التعلم الآلي (Pastor et al. 2009 ؛ Chao et al. 2011 ؛ Manschitz et al. 2015 ).