多模态生理评估：不同环境条件下接触密集型物理人机交互

在真实的物理人机交互（pHRI）场景中，操作员在执行接触密集型任务时，常常面临温度、噪音和光照等环境条件的波动。传统的以任务为中心的方法通常只关注执行指标如追踪误差和完成时间，却忽略了这些环境压力源给操作员带来的生理负担。为了填补这一空白，来自Yanyi Chen等研究者在2026年6月提交的一篇预印本论文中，开展了一项系统的多模态实证研究。

该研究设计了18种不同的环境条件组合，包括六种温度水平（从凉爽到炎热）、三种噪音水平（安静、中等、嘈杂）和三种光照水平（昏暗、适中、明亮）。参与者在一项接触密集型追踪任务中操作机器人末端执行器，沿着预定路径移动。同时，研究人员同步记录了皮肤电活动（EDA）、表面肌电图（sEMG）、眼动追踪数据，以及参与者对环境舒适度的主观评分。

实验结果令人惊讶：尽管环境条件变化显著，任务性能——包括追踪误差和完成时间——在所有条件下都保持稳定。然而，生理信号揭示了隐藏的成本。自主神经工作负荷，通过皮肤电导水平（SCL）测量，随着温度升高而显著增加，而身体工作负荷（基于sEMG）和认知工作负荷（基于眼动指标）则未受影响。值得注意的是，参与者对环境的主观舒适度评分与客观性能指标之间没有显著关联。

这些发现揭示了一种补偿机制：操作员通过增加生理努力（特别是自主神经系统的活动）来抑制热不适感，从而维持稳定的任务表现。换句话说，操作员在高温下“付出更多”以保持相同的输出水平，但这种额外成本在传统性能指标中是看不见的。该研究强调了实时生理监测在物理人机交互中的重要性，并提议开发“生理感知”控制架构，利用这些实时生理指标来动态调整任务难度或提供辅助，从而减轻操作员的隐性负担，特别是在非结构化或恶劣环境中。

这项研究对于未来人机协作系统设计具有深远意义。通过将生理监测集成到机器人控制中，可以更安全、更高效地执行接触密集型任务，例如在搜救、制造或太空探索等极端环境下的应用。论文发表于arXiv（ID: 2606.14969），并已提交至机器人学领域，相关数据和代码预计将开源以促进进一步研究。