《AUTOMATION IN CONSTRUCTION》：Trust as a mediator between physical climate conditions and human–robot collaboration efficiency in construction
编辑推荐：
人-机协作性能不仅取决于技术因素，还受到工作场所物理条件的强烈影响。这种影响通常是间接的，并在多个层面上发挥作用。现有研究一致表明，温度、噪声、照明和空气质量等环境因素会影响工人的生理状态和认知资源的分配。这些影响进一步塑造了人-机协作中的交互模式和决策质量。
人-机协作性能不仅取决于技术因素，还受到工作场所物理条件的强烈影响。这种影响通常是间接的，并在多个层面上发挥作用。现有研究一致表明，温度、噪声、照明和空气质量等环境因素会影响工人的生理状态和认知资源的分配。这些影响进一步塑造了人-机协作中的交互模式和决策质量。在动态和高风险的建筑环境中，环境-人-机器人的关系变得尤为复杂。当环境条件恶化（如高温、过度噪声或视觉障碍）时，工人的认知负荷显著增加，导致注意力分散、运动质量下降以及误解机器人行为的风险更高。因此，了解物理环境条件如何通过影响工人状态来影响人-机协作质量，是推进建筑机器人应用和建筑自动化发展的关键研究方向。与其他不利环境条件相比，热应激被证明对生理负荷和认知表现产生更直接和显著的影响，使其成为建筑环境中的主要环境风险因素。随着建筑工业化的进步，传统的劳动密集型施工方法逐渐被机械化、自动化和类似工厂的受控建筑平台所取代。空中造楼机（ABM）作为高层建筑的关键解决方案，通过提供半封闭的稳定工作空间，减少工人暴露于极端高温和太阳辐射中。此类平台不仅改善了工人的生理和认知舒适度，还可能影响人-机交互。然而，环境因素的变化在多大程度上影响人-机协作性能在很大程度上仍未得到探索。为了研究这些环境因素如何影响人-机协作，研究人员在具有代表性的钢筋绑扎任务上进行了初步实验，分别使用ABM和非ABM场景代表相对舒适和更恶劣的环境。在需要近距离人-机协作的建筑工地，工人对机器人能力、意图和行为一致性的信任是塑造协作性能的关键因素。适当的信任能改善任务分配和监控效率，而信任不足会导致过度监控和频繁干预，信任过度则可能导致不合理的依赖并增加安全风险。高温等恶劣环境会增加工人的认知负荷、风险感知和情绪压力，使得信任形成更加脆弱。尽管现有研究从技术性能和故障场景等角度考察了工人与机器人之间的信任，但关于物理气候条件如何影响信任形成和维持的系统研究仍然有限。因此，将物理气候条件纳入人-机器人信任模型，对于理解建筑行业复杂的人-机协作机制至关重要。此外，与主要依赖主观或行为测量的以往研究不同，本研究采用基于脑电图（EEG）的方法来捕捉真实建筑相关任务中信任的动态神经关联。研究采用了多方法设计，将虚拟现实（VR）与气候室相结合，并进行了后续的物理机器人验证实验。在第一阶段，气候室内的VR实验提供了真实的现场视觉效果，并允许在受控但生态相关的条件下与虚拟机器人进行人-机交互；在第二阶段，使用物理机器人进行的验证实验测试了基于VR的发现是否适用于在可比环境条件下的真实机器人系统。信任通过主观问卷和包括EEG在内的客观生理指标进行测量，以从心理和神经角度捕捉人-机协作期间的动态变化。总之，本研究解决了三个关键问题：（1）由类似工厂的建筑平台代表的相对舒适的小气候是否能在极端高温下提高人-机协作效率；（2）此类环境条件是否会影响工人在协作期间对机器人的信任；以及（3）信任是否介导环境条件与协作效率之间的关系。通过将物理气候条件纳入建筑机器人信任研究，该研究为环境因素如何塑造人-机性能提供了经验证据，并为优化智能建筑管理、环境控制以及气候变化背景下的协作机器人部署提供了理论见解和实用指导。
随着建筑工业化的发展，传统的露天作业逐渐向机械化、自动化和类似工厂的平台过渡，这些平台能够有效控制温度、风力和粉尘等环境因素。然而，物理气候条件如何具体影响人-机协作效率及其内在机制仍未被充分探索。以往关于建筑工人与机器人信任的研究多集中于技术性能或任务压力，往往忽略了建筑工地高度可变的恶劣物理环境。为此，研究人员开展了一项多项交叉研究，旨在探究物理气候条件是否通过信任这一中介变量影响人-机协作效率。研究结合了现场实测、气候室虚拟现实（VR）模拟以及物理机器人验证实验，得出了相对舒适的环境（以空中造楼机（ABM）为代表）能显著提升协作效率并促进稳定信任形成的结论。这一研究为智能建筑环境控制和协作机器人部署提供了重要的理论与实践指导，论文发表在《AUTOMATION IN CONSTRUCTION》。
为开展此项研究，研究人员采用了一套多阶段、多模态的实验框架。在样本队列来源方面，现场实测数据采集自中国武汉市长江中心项目第68层（高度约310米）的顶室外层和内部钢筋绑扎层（非ABM与ABM环境）。实验阶段共招募了20名受试者（12男8女，平均年龄34.3岁）参与基于词汇启动范式的信任计算模型构建及VR与气候室结合的实验，并补充招募了10名受试者进行真实机器人协作验证。关键技术方法包括：首先，使用8通道便携式无线脑电图（EEG）系统采集α、β、γ频段的脑电数据，以提取功率谱密度（PSD）特征；其次，运用极端梯度提升（XGBoost）等10种机器学习算法对EEG数据进行分类，构建动态信任识别模型；接着，结合线性混合效应模型（LMM）分析环境条件对EEG信任概率的影响；最后，使用智能手机内置的三轴加速度计收集手部运动特征，并采用皮尔逊相关性分析探讨EEG信任估计值与手部运动特征间的关联。
词汇启动数据分析
通过基于EEG响应的词汇启动范式，研究人员提取了460个30秒的EEG样本并在受试者间进行分组k-fold交叉验证。在评估的10种机器学习算法中，XGBoost表现出色，以87%的准确率实现了对受试者信任状态的最佳分类。特征重要性分析表明，来自右侧顶部（P4）和右侧额区（F4）的EEG特征在信任识别中起关键作用。
VR与气候室实验数据分析
在物理气候条件模拟下，ABM环境中的任务平均完成时间为9.11分钟，比非ABM环境（11.37分钟）缩短了约19.8%。同时，非ABM环境下的钢筋放置偏差显著增加，导致机器人需要更多时间进行位置调整，从而降低了协作效率。基于XGBoost模型的EEG数据分析显示，ABM环境下受试者的信任概率均值为0.588，显著高于非ABM环境的0.398（β = -0.190，p < 0.001）。且EEG估计值与问卷得分表现出跨模态一致性。时序分析表明，在非ABM的恶劣环境下，工人初始信任略高但极不稳定，且随着机器人执行操作错误而迅速下降并稳定在0.18左右；而在ABM的舒适环境下，信任则随时间推移稳步上升并稳定在0.46。中介效应分析证实，信任在环境与协作效率之间起部分中介作用。
真实协作机器人验证
在引入真实电磁吸附型仿尺蠖机器人的验证实验中，371个EEG样本的LMM分析显示，ABM环境下信任概率均值（0.332）明显高于非ABM环境（0.250，β = 0.144，p = 0.002）。问卷结果与任务完成时间同样支持了上述VR实验的结论。此外，手部运动特征与EEG推断的信任值存在显著相关性：信任度越高，手部动作幅度（r = 0.376）越大且更连贯；而信任度低则伴随较强的急动度（r = -0.289）、爆发性运动（r = -0.603）和微震颤比例（r = -0.573），反映了操作迟疑。
讨论部分的研究结论
研究表明，采用特定电极频段特征的EEG评估方法能够在动态建筑环境中实现高可靠性的信任评估。恶劣的物理环境会破坏信任的形成与校准，使工人表现出早期过度依赖和后续信任快速下降的现象；而舒适环境（ABM）有助于建立渐进且稳固的信任模式。信任不仅受环境塑造，还作为关键中介变量直接连接了环境条件的改善与协作效率的提升。手部运动特征同样可作为行为信任的有效指标。研究建议，未来建筑环境与协作机器人管理系统应具有环境感知能力，通过结合实时EEG监测和自适应控制策略，提升高温环境下人-机协作的效率、安全性和可持续性。
