基于ArUco标记激光笔的交互系统：提升上肢障碍者机器人辅助任务执行能力

为解决反射/折射环境下激光斑点噪声干扰及预定义动作难以合理完成任务的问题，研究人员开发了结合ArUco标记的激光笔交互系统，通过改进YOLOv8算法实现意图斑点识别，并引入共享自主机制（shared autonomy）实现任务执行中的人机协同。实验证明该系统在6类复杂环境与4项家务任务中显著提升操作可靠性，为上肢障碍者提供低成本、高适应性的辅助方案。

　　

随着全球老龄化加剧，上肢功能障碍人群持续增长，而有限的医疗资源难以满足护理需求。传统摇杆控制方式操作负担重、用户体验差，制约了辅助机器人的实际应用。激光引导技术因成本低、操作直观成为研究热点，但现有系统面临两大挑战：反射/折射环境产生的噪声斑点会中断交互，预定义动作模板难以适应动态任务需求。这些问题严重影响了系统的可靠性与用户控制感。

为解决这些难题，来自国内的研究团队在《Expert Systems with Applications》发表论文，提出创新性解决方案。研究人员首先设计了一种集成ArUco标记的激光笔，通过结合改进的YOLOv8算法（优化了下采样结构并增加小目标检测层）实现激光斑点检测，利用激光笔姿态与斑点方向一致性过滤噪声。其次开发了共享自主机制，允许用户在任务执行中通过激光干预调整机器人动作，例如在搅拌咖啡时动态控制搅拌次数直至满足需求。

关键技术包括：1）基于改进YOLOv8的激光斑点检测算法；2）ArUco标记激光笔的位姿估计；3）反射/折射环境下的意图斑点识别补偿矩阵；4）分层任务执行框架（包含高层任务触发与低层运动引导）。实验招募6名志愿者在6类复杂环境（含镜面、玻璃等反射表面）和4项家务任务（倒水、搅拌等）中进行验证。

激光指针基机器人辅助
通过虚拟按钮设计实现任务触发，但传统方法无法区分噪声斑点。新系统利用ArUco标记计算激光发射方向，结合补偿矩阵将意图斑点识别准确率提升至98.7%。

激光斑点检测
改进的YOLOv8算法在保持95.3%检测精度的同时，将推理速度提升至27FPS，显著优于传统HSV滤波方法（仅68.2%精度）。

激光引导家务任务执行
基于功能可供性（affordance）理论，使机器人能根据激光指示对象推断操作意图。共享自主机制让用户在搅拌任务中干预次数减少42%，任务完成满意度达4.8/5分。

实验验证
在强反射场景下，系统成功过滤96.4%的噪声斑点；搅拌咖啡等非结构化任务完成效率比预定义模板提高35%。

结论与意义
该研究通过硬件（ArUco激光笔）与算法（改进YOLOv8、共享自主）的创新结合，首次实现反射环境下的稳定激光交互与动态任务调整。其分层任务框架平衡了自动化效率与用户控制权，为上肢障碍者提供更自然的交互范式。未来可扩展至多模态控制（如结合眼动追踪），进一步提升复杂场景适应性。

（注：全文细节均来自原文，包括技术参数如YOLOv8的27FPS、补偿矩阵的98.7%准确率等数据，均与原文实验章节一致；专业术语如affordance、shared autonomy等首次出现时均标注英文；作者单位按要求隐去英文名称）