<  Back to the Polytechnique Montréal portal

Partage de tâches adaptatif dans une équipe humain-machine basé sur des modèles quantitatifs de performance et de confiance

Clémence Dubois

Masters thesis (2020)

[img] Terms of Use: All rights reserved.
Restricted to: Repository staff only until 5 May 2022.
Cite this document: Dubois, C. (2020). Partage de tâches adaptatif dans une équipe humain-machine basé sur des modèles quantitatifs de performance et de confiance (Masters thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/5568/
Show abstract Hide abstract

Abstract

RÉSUMÉ Lorsqu’une équipe humain-machine est formée dans le but d’accomplir des tâches de prise de décision, certains facteurs humains peuvent avoir un impact important sur les performances de l’équipe. C’est le cas en particulier de la charge de travail et de la confiance que place un opérateur dans les capacités de la machine. Il peut alors être nécessaire de prendre en compte ces facteurs dans le design de la stratégie de collaboration. Cependant, la confiance et la charge de travail varient dans le temps en fonction des interactions entre l’humain et la machine. Une façon de prendre en compte ces éléments est d’opter pour une stratégie de collaboration adaptative, c’est-à-dire qui varie en fonction de l’état cognitif de l’opérateur. Dans ce mémoire on propose une stratégie de collaboration adaptative sous la forme de suggestions automatiques et dynamiques de partage de tâche. Régulièrement, une proposition de partage de tâche est suggérée à l’opérateur en prenant en compte sa charge de travail ainsi que sa confiance. Cette stratégie est issue de la résolution d’un Processus Décisionnel Markovien Partiellement Observable (POMDP). Pour cela des modèles quantitatifs des performances humaines et de la dynamique de la confiance ont été sélectionnés. Des simulations permettent de montrer le potentiel de la méthode en comparant les performances de la stratégie adaptative proposée à celles d’une stratégie statique plus simple. Les résultats à long terme de l’équipe humain-machine sont en moyenne meilleurs de 24% lorsque la stratégie adaptative est appliquée plutôt que la stratégie statique. L’utilisation de modèles quantitatifs dont certains paramètres doivent être identifiés pose la question de la robustesse de la stratégie aux erreurs de calibration. On montre, toujours en simulation, que malgré certaines erreurs de modèles, la stratégie proposée conserve son avantage.----------ABSTRACT In mixed-initiative systems where human and automation collaborate in order to complete a decision-making task, some human factors can have an impact on the team performance.For instance, the cognitive workload and the trust placed by the operator on the automation capabilities can be determining factors. Hence it could be relevant to take into account these cognitive variables in the design of the collaboration strategy. However, both workload and trust fluctuate with the history of past interactions. One way to include these dynamic variables is to opt for an adaptive collaboration strategy. In this work, we propose an adaptive task allocation suggestion which dynamically allocate task according to the operator’strust level. This adaptive strategy is computed by solving a Partially Observable Markovian Decision Process (POMDP). The POMDP is defined using quantitative models of human performance and trust dynamic. We study this method’s potential by comparing, in simulation, the performance results collected when the adaptive strategy is applied and those when a static strategy is applied. The long term mean team reward is 24% higher with the adaptive strategy than with the static strategy. Moreover we study the impact of model calibration errors on the strategy performance. The proposed method seems to bring benefits even in the presence of errors in the models.

Open Access document in PolyPublie
Department: Département de génie électrique
Academic/Research Directors: Jérôme Le Ny
Date Deposited: 05 May 2021 11:56
Last Modified: 05 May 2021 11:56
PolyPublie URL: https://publications.polymtl.ca/5568/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only