川海智库

报告概述

本报告提出并形式化了一种智能辅助系统（IAS），用于支持混合人机团队的合作。研究基于Know-How-to-Operate（KHO）和Know-How-to-Cooperate（KHC）两个互补模型，建立了网格化的协调结构，可形式化表示人类操作员、IAS与机器人之间的交互动态。报告采用STRIPS规划方法将合作行为映射为可执行计划，并在搜救场景中通过两台RoboMaster EP机器人验证了系统可行性。该框架有助于理解人机合作中的任务分配、冲突管理与适应性决策。

报告的核心结论

KHO与KHC模型可有效形式化人机合作行为。

报告通过Know-How-to-Operate（个体操作能力）和Know-How-to-Cooperate（合作能力）两个维度形式化了人机团队所需的行为。KHO涵盖信息收集、分析、决策与执行四步骤，KHC则扩展信息共享、干扰检测、干扰管理与功能分配。该双重视角为设计混合团队提供了结构化基础。

智能辅助系统在不同自主水平下均能保持稳定行为。

在11名参与者、7种场景的实验中，IAS在决策支持、自主决策与监督自主四种合作水平下均表现出一致且稳定的行为。系统未出现关键性执行失败，导航准确率保持在90-95%，任务完成时间随自主性提高而缩短。

用户对IAS的信任与可用性评价保持高水平且稳定。

主观问卷显示，IAS信任评分均值在5.5-6.5（7分制），GUI可用性与计划可视化评分同样高达5.0-6.0。用户对系统规划质量、反馈及时性和界面易用性给予一致好评，表明IAS在可解释性与人机交互设计上达到预期。

STRIPS规划可有效集成人机合作中的操作与协调需求。

报告将KHO/KHC能力编码为STRIPS操作符，利用PDDL描述规划域与问题，并通过Fast Downward求解器生成任务序列。实验表明，该规划框架能够动态适应不同任务复杂度与自主水平，在出现障碍等变化时支持重规划，确保任务连续性。

报告回答的关键问题

什么是Know-How-to-Operate和Know-How-to-Cooperate？

Know-How-to-Operate（KHO）是指代理独立操作环境的能力，包括信息收集、分析、决策与行动实施四步。Know-How-to-Cooperate（KHC）则指代理合作所需的能力，如信息共享、干扰检测、干扰管理与功能分配。两者共同构成人机团队合作的形式化基础。

智能辅助系统如何帮助人类操作员管理多机器人？

IAS作为中心协调者，负责生成和优化任务计划、检测并解决机器人间的冲突、动态分配任务，并通过图形界面向操作员提供可理解的状态反馈与决策建议。在实验中，IAS使操作员能够在监督自主水平下显著减少手动干预，同时保持高任务成功率。

人机合作水平如何划分？

报告定义了四个合作水平：远程操作（Level 1，人类完全手动控制）、决策支持（Level 2，IAS生成多种计划供人类选择）、自主决策（Level 3，IAS给出最优计划，人类批准后执行）、监督自主（Level 4，IAS全自主运行，人类仅监督并在紧急时干预）。这些水平调节了人类监督与系统自主之间的平衡。

报告中的代表性数据

90–95%

导航准确率

实验全程，在涉及IAS自主规划的所有条件（Level 2-4及混合配置）中，机器人导航准确率稳定在90-95%，远程操作条件为82.3%。

约78秒（Both L4）

任务完成时间

实验单次任务，两台机器人均处于监督自主水平（Both L4）时，平均任务完成时间最短，约78秒；全远程操作（Both L1）时最长，约130秒。

5.5–6.5

用户信任评分

实验后问卷，在IAS参与的所有条件中，用户对IAS的信任评分均值为5.5-6.5（7分制），表明高水平且稳定的信任。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整文献综述：回顾人机交互演变、认知架构（SOAR、ACT-R、BDI）以及任务规划方法（STRIPS、PDDL、HTN等），分析现有框架在认知建模、多机器人支持和适应性方面的不足。
  • KHO/KHC形式化模型：详细定义Know-How-to-Operate（信息收集、分析、决策、执行）与Know-How-to-Cooperate（信息共享、干扰检测、干扰管理、功能分配），并建立网格化协调结构。
  • 合作网格构建方法：提出五步方法论（识别代理、识别能力、构建文本网格、转化为数字网格、验证网格），并通过热图展示合作强度。
  • 系统实现细节：基于ROS 2和Tkinter搭建RoboMaster控制中心，包括节点结构、通信协议（topic/action）、GUI面板（状态、导航、规划等）以及硬件配置。
  • 四个合作水平的设计：定义远程操作、决策支持、自主决策与监督自主，并描述各水平下IAS与人类的角色分配及网格区域变化。
  • STRIPS规划器集成：使用Fast Downward求解器、PDDL描述域与问题，涵盖操作符定义、状态表示、执行框架和重规划机制。
  • 实验方案与数据收集：包含7种配置（同质/异质自主水平）、11名参与者、77次试验，记录响应时间、导航准确率、任务完成时间等客观指标以及信任、可用性等主观评分。
  • 结果分析与讨论：展示不同自主水平对性能、信任和可用性的影响，验证IAS的稳定性与可靠性，并讨论局限性及未来方向（如动态合作评价、伦理推理、扩展指标）。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告