MARC

 008260311s2025        us                                    eng  d
■001000017361187
■00520260311091530.5
■006m          o    d                
■007cr|nu||||||||
■020    ▼a9798270231675
■040    ▼aMiAaPQD▼beng▼cMiAaPQD▼erda
■082    ▼a006.8
■1001  ▼aPetlowany,  Christina▼eauthor.
■24510▼aAutonomous  Robots  With  Gaze-Based  User  Supervision  ▼cChristina  Petlowany
■260    ▼a[Sl]▼bThe  University  of  Texas  at  Austin▼c2025
■264  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a1  electronic  resource  (162  pages)
■336    ▼atext▼btxt▼2rdacontent
■337    ▼acomputer▼bc▼2rdamedia
■338    ▼aonline  resource▼bcr▼2rdacarrier
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  A.
■500    ▼aAdvisors:  Pryor,  Mitch;  Seepersad,  Carolyn    Committee  members:  Deshpande,  Ashish;  Hahn,  Nathan;  Hart,  Justin.
■5021  ▼bPh.D.▼cThe  University  of  Texas  at  Austin▼d2025.
■520    ▼aControlling  a  robot  or  multiple  robots  can  be  an  arduous  task.  A  single  robot  might  require  more  than  one  operator,  much  less  a  group  of  robots.  Human  supervision  of  robots,  even  with  increasing  autonomy,  is  unlikely  to  be  removed  in  the  future.  For  robotics  to  truly  make  an  impact  there  needs  to  be  an  increase  in  the  ratio  of  robots  to  humans  and  lower  training  barriers  for  human  supervisors,  ultimately  increasing  the  adoption  of  robots  into  new  and/or  less  structured  environments.                                                Operating  or  supervising  a  robot  is  conceptually  difficult.  A  supervisor  needs  to  track  the  robot  and  its  associated  appendages  and  sensors  and  account  for  the  difference  between  the  task  frame,  robot  frame,  and  supervisor  frame.  This  can  be  difficult  as  humans  have  limited  cognitive  processing  which  is  known  to  suffer  during  multitasking.  Users  struggle  to  maintain  situational  awareness  (SA)  as  they  oversee  more  robots  and  the  robots  become  more  autonomous.                                                Augmented  Reality  (AR)  provides  a  new  paradigm  of  human-robot  interaction,  enabling  supervisors  to  track  robots  with  real-world  context  as  opposed  to  a  traditional  tablet  or  computer  interface.  The  Microsoft  HoloLens  2  and  other  commercially  available  systems  include  gaze  tracking  intended  for  multi-modal  interaction  with  a  headset,  but  gaze  also  conveys  information  about  a  person's  intent,  emotions,  cognitive  load,  and  more.                                                This  research  investigates  applications  of  gaze  in  robotic  systems  to  answer  the  following  questions:                        •  Gaze  Granularity:  what  upper  and  lower  bounds  are  there  on  task  size  for  gaze-based  interfacing?  (Chapter  3)                        •  Gaze  Scalability:  is  gaze  a  useful  tool  in  multi-robot  systems?  (Chapter  4  and  Chapter  6)                        •  Gaze  Generality:  do  gaze  metrics  exist  that  are  extensible  to  many  scenarios  instead  of  task-specific?  (Chapter  5  and  Chapter  6)                        •  Gaze  Online  Feedback  Capability:  does  gaze  provide  real-time  feedback  about  a  supervisor's  perception  of  a  robot's  performance?  (Chapter  6)                                                This  compilation  of  four  separate  works  explores  the  above  in  different  ways.  Two  works  focus  on  AR  user  interfaces  (UIs)  that  empower  users  to  complete  tasks-whether  the  task  is  known  or  unknown  to  the  user;  here,  gaze  is  a  means  of  direct,  or  explicit,  interaction  with  a  system.  One  work  examines  extensibility  of  the  gaze  interface,  or  understanding  the  range  of  task  sizes  (from  small,  hands-on  to  large,  room-scale  tasks)  to  which  gaze  interfaces  are  applicable.  The  other  hones  in  on  scalability,  how  the  gaze-based  interface  improves  user  task  performance  with  increasing  numbers  of  autonomous  agents.  The  next  two  works  analyze  gaze  as  a  metric  for  the  user's  inner  experience,  either  their  navigation  intent  or  ranking  of  robot  performance.  Both  look  at  gaze  as  a  general  metric  that  applies  to  multiple  navigation  scenarios  and  robot  tasks.  These  works  treat  gaze  as  an  indirect,  or  implicit,  signal  for  interacting  with  a  system.  The  first  outlines  the  way  gaze  and  body  language  signals  indicate  a  person's  navigational  intent;  the  second  forms  relationships  between  a  supervisor's  psychophysiological  gaze  signals  and  the  proficiency  with  which  a  robot-or  robots-performs  a  task.
■546    ▼aEnglish
■590    ▼aSchool  code:  0227
■650  4▼aEngineering
■650  4▼aCommunication
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aMulti-robot  systems
■653    ▼aAutonomous  agents
■653    ▼aHuman-robot  interaction
■653    ▼aAugmented  Reality
■7102  ▼aThe  University  of  Texas  at  Austin▼bMechanical  Engineering.▼edegree  granting  institution.
■7201  ▼aPryor,  Mitch▼edegree  supervisor.
■7201  ▼aSeepersad,  Carolyn▼edegree  supervisor.
■7730  ▼tDissertations  Abstracts  International▼g87-06A.
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361187▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books