面向移动机械臂的概率性人类意图预测：基于人类启发约束的评估

精准推断人类意图可实现人机协作，既不限制人类控制，又避免人机冲突。我们提出了 GUIDER（Global User Intent Dual-phase Estimation for Robots），一个概率框架，使机器人能够估计人类操作员的意图。GUIDER 维护两个耦合的信念层：一个跟踪导航目标，另一个跟踪操作目标。在导航阶段，Synergy Map 将控制速度与占据网格融合，以排序互动区域。到达目标后，自动多视角扫描构建局部 3D 点云。在操作阶段，将 U2Net 显著性、FastSAM 实例显著性和三个几何抓取可行性测试与末端执行器运动学感知的更新规则结合，实时演化物体概率。在 GUIDER 看似无需预定义目标的情况下即可识别意图区域和物体。我们在 Isaac Sim 中对 GUIDER 进行了 25 次评估（五位参与者×五种任务变体），并将其与两个基线进行了比较：一个用于导航，一个用于操作。在 25 次试验中，GUIDER 在导航阶段的中位数稳定性为 93-100%，而 BOIR 基线为 60-100%，在重定向场景（T5）中提升了 39.5%。在操作阶段，稳定性达到 94-100%（相对于 Trajectron 的 69-100%），在重定向任务（T3）中差距为 31.4%。在几何约束下的试验中，GUIDER 比 Trajectron 识别物体意图快三倍（中位数剩余自信预测时间为 23.6 秒 vs 7.8 秒）。这些结果验证了我们的双相框架，显示出在移动机械臂任务中意图推断方面的提升。