- 现有**机器人对人物品交接(robot-to-human handover)**策略多为静态开环，仅调整位置，不考虑人类如何抓取，需要用户主动适应
- 此类静态方法导致用户认知负荷高、生理压力大，且降低对机器人可靠性的信任
- 研究背景：人机协作中需要更流畅、符合人体工学的交接方式，但缺乏动态感知用户状态的交接框架
- 提出**自适应交接框架(adaptive handover framework)**，根据用户实时手部姿态和下游任务动态调整物体交付位姿
- 集成**基于AI的手部姿态估计(AI-based hand pose estimation)**，精确获取用户抓取意图
- 采用**平滑运动学约束轨迹(kinematically constrained trajectories)**，确保机器人安全接近和最优交接方向
- 通过用户主观指标（NASA-TLX、人机信任量表）和客观生理数据（眼动仪测量眨眼率）进行综合评估
- **首创动态对齐**：首次将实时手部姿态与下游任务信息结合，实时优化物体朝向和接近方向，而非仅控制位置
- **多维度评估**：同时使用主观量表（认知负荷、信任）和客观生理信号（眨眼率），验证自适应策略的有效性
- **任务感知(task-aware)**：针对不同下游任务（如不同抓取方式）自动调整交接姿态，实现个性化适应
- 提出了**任务与姿态感知(task- and pose-aware)**的自适应人机交接范式，替代传统静态策略
- 通过实证用户研究证明：动态对齐显著降低用户的**认知工作负载(cognitive workload)**和**生理应激(physiological stress)**，并提升对机器人的信任
- 为流畅、符合人体工学的**人机协作(human-robot collaboration)**提供了可复现的方法论和实验证据