學習個性化安全乾預：面向觸覺人機共享控制
提出一種基於學習來自觸覺（LfH）的框架，透過稀疏演示學習使用者偏好的安全乾預策略，採用可微控制屏障函式（CBF）最佳化層自動調整安全引數，實驗表明能有效減少觸覺反饋與使用者偏好的不匹配。
近日，arXiv上發表了一項關於觸覺人機共享控制中個性化安全乾預的研究。該研究由Dawei Zhang等人完成，論文標題為《Learning Personalized Safety Interventions for Haptic Human-Robot Shared Control》。現有觸覺引導系統通常採用預定義的干預策略，無法適應不同使用者或應用場景的安全偏好。為解決這一問題，研究人員提出了基於學習來自觸覺（LfH）的新框架，透過稀疏演示學習使用者期望的安全乾預方式，無需手動試錯設計。
該框架的核心是一個可微控制屏障函式（CBF）最佳化層，能夠自動調整底層安全引數以匹配演示的觸覺響應。使用者無需直接調整控制器引數，而是透過演示教導系統在遙操作過程中如何介入。生成的觸覺引導反映了演示的干預偏好，同時保留了觸覺共享控制的直觀互動特性。
在實驗部分，研究團隊透過模擬和硬體實驗驗證了該框架的有效性。結果表明，該框架能從稀疏使用者輸入中學習個性化安全乾預，並顯著減少生成的觸覺反饋與演示偏好之間的不匹配。論文已於2026年7月21日提交至arXiv，並歸類於機器人學（cs.RO）領域。這項研究為人機協作中安全互動的個性化定製提供了新思路，有望應用於遠端醫療、工業遙操作等需要細緻安全控制的場景。