Human Supervisor Workload Prediction: Lag Horizon Selection
作者: Mark-Robin Giolando, Julie A. Adams
分类: cs.RO
发布日期: 2026-07-05
💡 一句话要点
提出生理传感器驱动的人类工作负载预测方法以解决反应性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 工作负载预测 生理传感器 长短期记忆网络 多变量模型 人机交互 远程操作 动态预测
📋 核心要点
- 现有的人类工作负载预测方法仅能进行短时间预测，无法有效应对动态变化的工作负载情况。
- 本文提出了一种基于生理传感器的工作负载预测方法，重点研究滞后时间对预测模型的影响，以实现更长的预测时间范围。
- 实验结果表明，单变量预测需要240秒的滞后时间，而多变量预测仅需120秒，显示出多变量模型的高效性。
📝 摘要（中文）
远程操作系统在执行任务时必须了解人类的工作负载，以维持操作员的表现。以往的研究使用可穿戴生理传感器响应指标来估计当前的人类工作负载，但这些估计只能使机器人对工作负载的不足或过载条件做出反应。当前的人类工作负载预测方法仅限于非常短的预测时间范围，未能探讨可变滞后时间对这些预测的影响。本文研究了生理传感器驱动的人类工作负载预测，重点关注滞后时间对单变量和多变量时间序列预测模型的影响，预测时间范围超过了现有技术（即使用长短期记忆网络超过30秒）。模型使用来自64名参与者的NASA多属性任务电池-II人类受试者评估的数据进行训练。一个关键发现是，单变量工作负载预测需要240秒的滞后时间，而多变量工作负载预测只需120秒的滞后时间。这一发现表明，额外的工作负载成分减少了滞后时间的需求，使得模型更高效，且具有更长的预测时间范围。
🔬 方法详解
问题定义：本文旨在解决现有工作负载预测方法在滞后时间选择上的不足，现有方法无法有效应对动态工作负载变化，且预测时间范围较短。
核心思路：论文提出通过生理传感器数据进行人类工作负载预测，重点研究滞后时间对预测精度的影响，以实现更长的预测时间范围，提升模型的响应能力。
技术框架：整体架构包括数据采集、特征提取、模型训练和预测四个主要模块。数据采集阶段使用生理传感器收集参与者的生理数据，特征提取阶段将原始数据转化为可用于模型训练的特征，模型训练阶段使用LSTM网络进行训练，最后进行工作负载预测。
关键创新：最重要的技术创新在于对滞后时间的系统性研究，发现多变量模型可以在较短的滞后时间内实现有效预测，从而提高了模型的效率和实用性。
关键设计：在模型设计中，单变量预测使用240秒的滞后时间，而多变量预测则使用120秒的滞后时间，采用LSTM网络结构，损失函数选择均方误差，以优化预测精度。实验中使用了64名参与者的数据，确保了模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
实验结果显示，单变量工作负载预测在240秒滞后时间下的预测精度显著提高，而多变量预测在120秒滞后时间下也表现出良好的效果。这一发现与现有方法相比，显著提升了预测时间范围和模型效率，具有重要的应用价值。
🎯 应用场景
该研究的潜在应用领域包括远程操作、无人驾驶和人机交互等场景，能够帮助系统实时监测操作员的工作负载，从而优化任务分配和提升操作效率。未来，该方法可能在智能机器人和自动化系统中发挥重要作用，提升人机协作的安全性和效率。
📄 摘要（原文）
Teleoperation systems must be aware of the human's workload during missions to maintain operator performance. Prior work employed wearable physiological sensor response metrics to estimate current human workload; however, these estimates only enable robots to respond to under- or overload conditions reactively. Current human workload prediction approaches are limited to very short prediction horizons and fail to investigate variable lag horizons' impact on those predictions. This manuscript investigates physiological sensor driven human workload prediction focusing on the impact of lag horizons on both univariate and multivariate time series forecasting models, with longer prediction horizons than the workload prediction state-of-the-art (i.e., > 30 seconds using Long Short-Term Memory networks). Models were trained using data from a 64 participant non-sedentary supervisory environment NASA Multi-Attribute Task Battery-II human subjects evaluation. A key finding is that univariate workload predictions required 240 second lag horizons, whereas multivariate workload predictions sufficed with 120 second lag horizons. This finding indicates additional workload components reduce lag horizon requirements, enabling more efficient models with longer prediction horizons.