Essentials of Robot Feedback: On Developing a Taxonomy for Human-Robot Interaction

Für eine erfolgreiche Interaktion zwischen Menschen und sozialen Robotern ist verständliches Feedback des Roboters unumgänglich. Die wissenschaftliche Community im Feld Mensch-Roboter Interaktion erforscht verstärkt wie man die sozialen Fähigkeiten von den gegenwärtig eingesetzten Robotern verbessern kann. Besonders durch den bevorstehenden Wandel im industriellen Kontext, wobei sich Roboter weg von alleinoperierenden Maschinen hin zu kollaborativen Agenten bewegen, erlangt das Thema Interaktion zunehmend an Bedeutung. Die Community hat bereits eine Menge an Forschungsergebnissen gesammelt welche die Qualität von Mensch-Roboter Interaktionen beschreiben. Ebenso gibt es eine Menge an Erkenntnissen darüber wie Roboter ihren menschlichen Interaktionspartnern Feedback geben sollen. Die meisten dieser Erkenntnisse sind jedoch eng verbunden mit dem jeweiligen Kontext in welchem sie gewonnen wurden. Die Community benötigt eine Betrachtung des Themas in größerem Rahmen, über individuelle Experimente und deren Konfiguration hinausgehend. Mit anderen Worten, wir brauchen Ergebnisse unabhänigig von Faktoren wie Kontext, Roboterplattform, Szenario, usw. In meiner Doktorarbeit adressiere ich dieses Defizit durch die Ausarbeitung einer Taxonomy zur Klassifizierung von Roboterfeedback. Die Taxonomie ermöglicht die kumulative Betrachtung von mehreren Experimenten. Dieser Ansatz erlaubt es, Roboterfeedback zu quantifizieren und über verschiedene Forschungsprojekte, -gruppen, und -perioden hinweg zu betrachten, und dabei Gemeinsamkeiten und Defizite aufzudecken. Die aus meiner Arbeit resultierende Taxonomie quantifiziert den Output der Mensch-Roboter Interaktions Community von einem gesamten Jahr. Die Taxonomy veranschaulicht, dass das Feedback eines Roboters zumeist multimodal ist. Nahezu 75% des Feedbacks sind visuell, das heißt, dass der menschliche Interaktionspartner das Roboterfeedback sehen kann. Während 26% des gegebenen Feedbacks auditiv sind, werden nur 3% taktil übermittelt. Roboter verwenden meistens Körperbewegungen und Sprache um Feedback zu geben, gefolgt von Armbewegungen, Kopfbewegungen, Gesichtsausdrücken, und Geräuschen. Feedback mittels Berührung, Bildschirm, und Licht ist bis dato am wenigsten erforscht. Die Taxonomie basiert auf umfangreicher Literatur aus dem Forschungsfeld sowie auf Nutzerstudien die im Rahmen dieser Arbeit durchgeführt wurden. Deshalb ist die Taxonomie forschungsorientiert und über diese Arbeit hinaus verwendbar. Roboterentwickler und -forscher zugleich können die Taxonomie verwenden um Wissenslücken aufzudecken oder die Entwicklung von Roboterfeedback über verschiedene Perioden zu vergleichen. Es ist noch ein weiter Weg bis hin zur perfekt natürlichen Mensch-Roboter Interaktion. Letztendlich benötigt die Community Normen und Standards um optimal verwendbare soziale Roboter zu entwickeln. Meine Arbeit ist ein Schritt auf dem Weg zur Klassifizierung und Quantifizierung von Roboterfeedback um die Qualität von Mensch-Roboter Interaktion zu steigern. Understandable robot feedback is essential for successful interaction between humans and social robots. The human-robot interaction (HRI) community puts a lot of effort into increasing the social capabilities of today´s robots. With the upcoming shift of standalone industrial machinery to collaborative agents, interaction has received increasing attention. The HRI research community has collected a lot of findings assessing the quality of interactions between humans and robots. Likewise, there are a lot of findings on how robots should provide feedback to the human interaction partner. However, many of those findings are tightly tied to the context in which they were obtained. The HRI community still misses a bigger picture on robot feedback that goes beyond individual experiments and their setup. In other words, we need results independent of factors like context, robot platform, scenario, etc. In my thesis, I address this need by outlining a taxonomy to classify robot feedback. The taxonomy enables to cumulate individual experiments and consider them collectively. This approach allows quantifying robot feedback over different research projects, groups, and periods and, in doing so, detect common features and knowledge gaps. The resulting taxonomy systematically quantifies the community´s output on HRI user studies from an entire year. The taxonomy shows that most robot Feedback is multimodal. Almost 75% of the feedback is visual, meaning that the human interaction partner is able to see the robot give feedback. While 26% is audible feedback, only 3% is conveyed over the tactile channel. As concerns modalities, robots mostly use body movements and speech to give feedback, followed by arm movements, head movements, facial expressions, and sounds. Feedback via touch, screen, and light are the least explored modalities so far. The taxonomy is based on a substantial body of related work and the user studies that were performed in the course of this thesis. It is, therefore, research-oriented and useable beyond this thesis. Robot developers and researchers alike can use the taxonomy to detect knowledge gaps and to compare the development of robot feedback over different periods. There is a long way to go before perfectly natural interaction between humans and robots is achieved. What the community ultimately needs are benchmarks and standards to create social robots that are best usable for humans. With this thesis, I take one step towards classifying and quantifying robot feedback in order to enhance the interactional quality.