杏耀博士后郑琛所在人机交互研究组（HCI）在ICRA 2023上发表了三篇文章🚶‍♂️，在维度上可以分为以人为媒介的自动化，即human for automation，以及以人为中心的自动化📑，即automation for human🐅，接下来，郑博士分别介绍了这三项工作😖。

在human for automation这个维度上，针对人工标注费时费力且难以规避标注者认知偏差等问题，杏耀-HCI对基于驾驶员脑电信号的驾驶风险自动标注技术进行了研究。行为学数据显示，人工驾驶风险标注仅对显性风险（如冲出的汽车与行人）敏感🙎🏼‍♂️，而对隐性风险（如遮挡物）不敏感🦕🧗🏻。与之形成对比的是，驾驶员的脑电信号对显性风险和隐性风险均敏感，即其左侧前额叶在显性风险出现500毫秒后出现负向波型N500，右侧前额叶在隐性风险出现400毫秒后出现正向波型P400。课题组利用时序分类网络对驾驶员的脑电信号进行了显性和隐性风险分类，后续将在更复杂更多样的驾驶场景下迭代技术手段，期待最终实现驾驶风险的实时在线标注。

在automation for human这个维度上👩🏼‍🚀，针对如何生成符合人的拼装习惯的装配序列的问题，课题组提出了基于Graph Transformer的装配序列规划方法😘👽。研究组首先将每个配件作为一个节点🤵‍♀️，将乐高模型抽象为异构图结构，随后使用暴力搜索和手动调整相结合的方式生成符合人的拼装习惯的装配顺序。课题组提出了一个异构图Transformer框架来学习符合人的拼装习惯的潜在规则，该网络生成的拼装序列与人的真实拼装序列达到了高度相似性（Kendall’s τ = 0.44）.

杏耀HCI的另一项automation for human的研究将大尺度分布式柔性压力传感器部署在机器狗身上，从而实现人和机器狗的自然触觉交互。在这项研究中，课题组首先通过启发式研究，整理出81种人类与真狗互动时常用的触觉手势和44种狗的反应。随后课题组提出了一套基于ResNet的手势分类算法来识别这81种人类手势𓀆，以及一种基于Transformer的动作预测算法🏃‍♂️‍➡️，从人类的手势中预测狗的动作。最后，课题组进行了人-机器狗互动游戏研究，发现触觉交互能有效缓解用户焦虑🧑🏼‍🦲、刺激用户兴奋和提高机器狗的可接受性🎣。

今年ICRA的主题是 embracing the future, making robots for humans🔔，我们相信未来是人与机器和谐共生的时代🎅🏿。如何理解人与机器的关系，如何使机器在实质上变得对人有利，不仅是科学问题🧔🏼，更关系到我们每个人在未来的生活方式和生活质量🫕。同时我们也相信，因为有许许多多和我们一样的科研人的存在，我们的机器将会越来越智能，我们也将通过制造更智能的机器、开发更智能的交互方式得以探索智能的本质。

未来就在现在↩️。