学习个性化安全干预：面向触觉人机共享控制
提出一种基于学习来自触觉（LfH）的框架，通过稀疏演示学习用户偏好的安全干预策略，采用可微控制屏障函数（CBF）优化层自动调整安全参数，实验表明能有效减少触觉反馈与用户偏好的不匹配。
近日，arXiv上发表了一项关于触觉人机共享控制中个性化安全干预的研究。该研究由Dawei Zhang等人完成，论文标题为《Learning Personalized Safety Interventions for Haptic Human-Robot Shared Control》。现有触觉引导系统通常采用预定义的干预策略，无法适应不同用户或应用场景的安全偏好。为解决这一问题，研究人员提出了基于学习来自触觉（LfH）的新框架，通过稀疏演示学习用户期望的安全干预方式，无需手动试错设计。
该框架的核心是一个可微控制屏障函数（CBF）优化层，能够自动调整底层安全参数以匹配演示的触觉响应。用户无需直接调整控制器参数，而是通过演示教导系统在遥操作过程中如何介入。生成的触觉引导反映了演示的干预偏好，同时保留了触觉共享控制的直观交互特性。
在实验部分，研究团队通过模拟和硬件实验验证了该框架的有效性。结果表明，该框架能从稀疏用户输入中学习个性化安全干预，并显著减少生成的触觉反馈与演示偏好之间的不匹配。论文已于2026年7月21日提交至arXiv，并归类于机器人学（cs.RO）领域。这项研究为人机协作中安全交互的个性化定制提供了新思路，有望应用于远程医疗、工业遥操作等需要细致安全控制的场景。