.png){kind=icon}
返回
Data-Driven Ergonomic Load Dynamics for Human–Autonomy Teams
.png){kind=icon}
OA
AI
DOI：10.3390/bdcc10030074.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人机协同团队中的工效学负荷通常被视为静态评分或事后审计，尽管现代传感和通信技术能够实现操作员努力的实时调节。我们通过在线推断的多模态努力代理和任务情境，将工效学负荷建模为耗散动态状态，并通过负荷依赖增益调节和合规性塑造将其与自主系统耦合。该方法在公开的人-集群和人与机器人交互轨迹以及努力相关的可穿戴设备和肌电数据集上进行了评估，采用了统一的窗口化管道和模拟延迟、降采样、数据包丢失和信道中断的受控压力测试。在一个大型人-集群基准测试中，该估计器对罕见高负荷事件实现了较强的区分度和校准（在q=0.90时，AUROC达0.87，AUPRC为0.41，ECE为0.031），并在延迟下可预测地退化，约在300-400 ms处出现拐点（500 ms时AUROC从0.87降至0.80，ECE从0.031增至0.061）。将估计值嵌入自适应调度中，可减少过载发生率和振荡性再分配，同时保留代理闭环模拟中的协调代理：在标称时间下，过载时间从7.8%降至4.1%（相对减少约47%），吞吐量维持在接近基线水平（1.00→0.97），振荡功率降低（0.26→0.14）。这些结果为将工效学转化为控制相关的反馈信号提供了一条可复现的路径，并明确了避免模式切换、维持稳定且可解释的自适应所需的显式操作约束，包括估计器校准（目标ECE≤0.05）和端到端延迟（有效τ≤300 ms）。
Keyword:
ergonomic load dynamics
human–swarm interaction
multimodal wearable sensing
physiological signal analytics
closed-loop adaptive autonomy
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
B
IF:
4.4
论文数:
1.3K
被引数:
2.4K
机构
引用论文
Distributed executions with CONTROL-CORE: integrated development environment (IDE) for closed-loop neuromodulation control systemsKathiravelu, P.; Arnold, M.G.; Vijay, S.; Jagwani, R.; Goyal, P.; Goel, A.K.; Li, N.; Horn, C.; Pan, T.; Kothare, M.V.; et al. 分布式执行与CONTROL-CORE：闭环神经调控控制系统的集成开发环境（IDE）。Clust. Comput. 2025, 28, 697. [Google Scholar] [CrossRef]
PREAI
分享收藏Data-driven ergonomic risk assessment of complex hand-intensive manufacturing processes基于数据的复杂手工作业制造流程人机工程风险评估
PREAI
分享收藏Exploring human-swarm interaction dynamics in cyber-physical systems: A physiological approachDistefano, J.P.; Chowdhury, S.; Esfahani, E. 探索人-群交互动态在信息物理系统中的生理学方法。J. Integr. Des. Process Sci. 2024, 27, 200–210. [Google Scholar] [CrossRef]
PREAI
分享收藏Design of a Stable Discrete-time Output-feedback Decentralized Controller for Uncertain Continuous-time Large-scale Nonlinear SystemsPark, J.H.; Kim, S.H. 针对不确定连续时间大尺度非线性系统的稳定离散时间输出反馈分散控制器设计. Int. J. Control Autom. Syst. 2025, 23, 1402–1410. [Google Scholar] [CrossRef]
PREAI
分享收藏Buś, S.; Kaniuka, J.; Świtlik, D.; Główka, J.; Kozik, R. RoHuCAD: Robots and Humans Collaborative Anomaly Detection, Version 1.0. Zenodo 2024. [Google Scholar] [CrossRef]Buś, S.; Kaniuka, J.; Świtlik, D.; Główka, J.; Kozik, R. RoHuCAD: 机器人与人类协作异常检测，版本 1.0. Zenodo 2024. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Hongn, A.; Bosch, F.; Prado, L.; Bonomini, P. Wearable Device Dataset from Induced Stress and Structured Exercise Sessions, Version 1.0.1. PhysioNet 2025, 101, e215–e220. [Google Scholar] [CrossRef]Hongn, A.; Bosch, F.; Prado, L.; Bonomini, P. 可穿戴设备数据集（源自诱导压力和结构化运动训练），版本1.0.1. PhysioNet 2025, 101, e215–e220. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Dogan, G.; Patlar Akbulut, F. Stress analysis from physiological data under pressure: WorkStress3D Dataset, Version 11. Mendeley Data 2024. [Google Scholar] [CrossRef]Dogan, G.; Patlar Akbulut, F. 压力下的生理数据应力分析：WorkStress3D 数据集，版本11. Mendeley Data 2024. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容