人机协作的安全边界设定是协作机器人应用中的核心难题：过宽的安全边界牺牲生产效率，过窄的边界则威胁人员安全。传统的静态安全边界策略难以在动态人机交互场景中实现安全与效率的最佳平衡，其根本问题在于将安全边界视为一个固定参数而非随人类行为动态演化的状态变量。本文从人因工程视角出发，探讨了协作机器人安全边界的动态重构策略。基于ISO/TS 15066标准提出的速度与分离监测框架，引入人体注意力估计、运动意图预测和心理负荷评估等人因参数，构建了动态安全边界调控模型。通过不确定性感知控制屏障函数和分层控制架构，实现了安全边界的实时自适应调整。案例分析表明，动态边界策略在保持安全性的前提下可提升人机协作效率约30%。
一、引言
协作机器人的核心承诺在于“人机共融”——人类与机器人在同一物理空间内紧密协作，发挥各自优势。然而，这一承诺的实现必须以安全为前提。传统工业机器人被安置在物理围栏内，通过隔离确保安全，但这种“分离”模式恰恰消解了协作的意义。安全边界的设定是协作机器人安全设计中最具张力的问题：边界过宽，机器人在人员靠近时过早减速或停机，生产效率急剧下降，形成“安全但低效”的尴尬局面；边界过窄，一旦人员进入危险区域，反应时间不足，安全隐患剧增。
ISO/TS 15066标准提出的速度与分离监测是当前协作机器人安全边界设定的主流技术路线。该标准要求机器人根据与操作人员的实时距离动态调整运行速度，形成“远-快、近-慢”的映射关系。然而，这一映射关系通常是固定的——安全阈值的触发距离、减速梯度等参数在部署时一次性设定，无法随人的行为状态而改变。问题的本质在于：标准将人的行为简化为一个“位置点”，而忽视了人的意图、注意力和心理状态等人因因素。
人因工程的介入为这一困局带来了新的解题思路。人因工程强调技术系统应适应人的认知和行为特征，而非相反。将人因参数纳入安全边界调控，意味着安全边界不再是静态的几何距离，而是随人的注意力状态、运动意图和认知负荷动态演化的“人-机适配界面”。本文将从人因参数感知、安全边界动态建模和分层控制三个方面，系统阐述这一新型安全策略的理论框架与实现路径。
二、静态安全边界的局限与人因参数引入
2.1 静态边界的本质缺陷
当前工业实践中广泛采用的安全边界策略多为静态配置，通常定义三个区域：危险区、减速区和自由区。当人员进入减速区时机器人降速，进入危险区时立即停机。这种策略存在三个深层缺陷：
其一，忽视个体差异。不同操作人员的反应时间、运动能力和工作习惯差异显著，统一的触发阈值无法适配所有人，部分人员感到“被机器束缚”，部分人员则暴露于过高风险。
其二，缺乏情境感知。静态边界对任务属性不加区分——精密装配任务需要更近距离的协作，而物料搬运则可接受较大间距，统一策略无法适应任务变化。
其三，无法反映心理状态。人员疲劳、分心或紧张时，其感知-反应能力下降，需要更宽的安全裕度；而在专注且警觉的状态下，则可接受更紧凑的协作间距。静态边界对上述差异毫无响应。
2.2 人因参数的表征与量化
人因工程视角下的动态安全边界需要引入三类关键人因参数：
注意力状态：操作人员的视觉注意力是决定其能否及时察觉机器人运动意图的关键因素。通过眼动追踪技术获取注视方向、注视时长和扫视频率等指标，可构建注意力场模型，量化人员在特定时刻对特定区域的关注程度。PRO-MIND框架正是通过估算人类注意力和心理负荷来动态调整安全区域-。
运动意图预测：仅知道人员当前位置不足以预测未来的碰撞风险。通过采集人体姿态序列（如手部位置、躯干朝向、步态相位），结合隐马尔可夫模型或递归神经网络进行意图预测，可获得人员在未来数秒内的运动轨迹概率分布。UA-PCBF框架融合了概率性人体手部运动预测与控制屏障函数，显著提升了安全边界的前瞻性-。
心理负荷：心理负荷过高时人员的决策能力和反应速度均会下降。通过生理信号（心率变异性、皮肤电反应）或行为指标（任务完成时间、错误率）间接评估心理负荷水平，将其作为安全边界的缩放因子，在高负荷状态下主动扩大安全裕度。
三、动态安全边界的建模与重构策略
3.1 人机距离的概率化建模
将安全边界从确定性几何距离扩展为概率化风险场，是动态重构的理论基础。设机器人状态为$X_r$，人体状态为$X_h$（包含位置、姿态、意图参数），则碰撞风险可表示为条件概率$P(collision | X_r, X_h)$。安全边界不是一条线或一个面，而是风险场中某一等值线——当风险超过可接受阈值时，机器人必须执行相应的减速或避让动作。
这一概率化模型的优势在于能够融合不确定性信息。人体运动预测存在固有不确定性，传感器测量存在噪声，将这些不确定性量化为风险场的协方差，可使安全边界随信息不确定性的增加而自适应扩张，体现了“安全冗余随信息缺乏而增大”的工程直觉。
3.2 控制屏障函数方法
控制屏障函数为安全边界的数学实现提供了严谨的控制理论框架。CBF的核心思想是将安全集合$C$定义为一个前向不变集——如果系统状态从$C$内部出发，则必须确保其在任何控制输入下都不会离开$C$。
在协作机器人场景中，安全集合$C$可定义为人员与机器人之间的最小距离始终大于动态阈值$d_{safe}(t)$。传统CBF采用固定阈值，而动态CBF则将阈值设计为$d_{safe}(t) = d_{base} + \alpha \cdot f(H(t))$，其中$H(t)$为人因参数向量（注意力得分、意图置信度、心理负荷水平），$f(\cdot)$为将人因参数映射到安全边际增量的函数。当人员注意力分散或意图不明时，$f(H)$增大，安全边界外扩；当人员专注且意图明确时，$f(H)$趋近于零，边界缩至最紧。
层次化CBF方法进一步解决了多约束优先级问题。在人机协作场景中，机器人需同时满足若干约束——避免碰撞、保持可达性、避免自碰撞等。通过引入控制屏障函数的优先级排序机制，高优先级约束（如与人员的碰撞避免）可“覆盖”低优先级约束，确保在最危险场景下仍能优先保障安全-。
3.3 基于人机协同的分层控制架构
为实现安全边界的实时动态重构，需要构建分层控制架构：
感知层：通过2D/3D视觉传感器、可穿戴设备和环境传感器采集人员位置、姿态、生理信号和机器人状态。遵循ISO 13855和TS 15066标准，计算并划分安全监测区域，利用2D激光信息实现标准三层布置-。
估计层：融合多源感知数据，估算注意力场、预测运动意图、评估心理负荷，输出人因参数向量$H(t)$及其不确定性度量。
决策层：基于人因参数动态调整安全边界阈值$d_{safe}(t)$，并计算最优控制屏障函数约束下的机器人运动指令。PRO-MIND框架在此层面通过估算人类注意力和心理负荷，实现了安全区域的动态调整和机器人路径的即时修正-。
执行层：将决策层输出的速度/加速度指令下发至机器人控制器，同时向人员提供视觉或触觉反馈。
分层架构的优势在于模块间的解耦——感知技术和估计算法的升级不破坏上层控制逻辑，安全边界策略的调整也不依赖底层传感器的具体实现。
四、动态安全边界的人因验证
4.1 人机协作中的心理应激研究
PRO-MIND框架的核心创新在于将人的心理状态纳入了安全控制闭环。通过眼动追踪和皮肤电反应测量，研究者发现：当机器人以不可预测的轨迹运动时，人员的心理负荷水平平均上升35%，应激反应时间延长0.2秒。这意味着，即使在相同几何间距下，不可预测的机器人运动实际上增加了碰撞风险。动态安全边界策略通过主动预测人类意图并调整自身运动轨迹，使机器人行为变得更具可预测性，从而降低了人员的心理负荷，间接提升了安全性-。
4.2 效率与安全的量化平衡
传统静态边界策略中，安全边界通常设定为足以覆盖最坏情况的保守值，导致机器人在大多数正常工况下“过度减速”。动态边界策略通过人因参数自适应缩紧边界，提升了协作效率。研究表明，基于人因的动态安全边界策略可将协作效率（单位时间内完成的任务量）提升约30%，同时安全冗余（最坏情况下的碰撞概率）保持在与静态边界策略相当的水平。这一平衡的达成证明：安全与效率并非零和博弈——当安全边界的设计从“隔离人机”转向“理解人机”，两者可以实现共赢。
4.3 智能人机协同决策框架
最新的研究成果还探讨了动态人体工程学监测与自适应行为树决策的集成框架。该框架结合先进的视觉感知、连续人体工程学监测和自适应行为树决策，采用监督式人机协同范式，机器人提供临时协助，并在风险缓解后交还控制权，保持了97.4%的人类主导性-。这种设计体现了人因工程的核心思想：机器人应当适应人，而非相反。
五、结论与展望
协作机器人安全边界的动态重构，本质上是将人因工程从“设计后评估”提升到“实时控制参数”的范式转变。传统的“静态安全边界”以最坏情况为设计基准，以安全冗余换取心理安全感，却以牺牲效率为代价。引入人因参数后，安全边界不再是一个固定的几何阈值，而是随人的注意力、意图和心理状态动态演化的“活边界”。基于控制屏障函数的数学框架为这一概念提供了严谨的控制理论基础，分层架构设计则为工业实现提供了工程化的技术路径。
未来的研究应着重解决三个挑战：其一，人因参数的鲁棒估计——如何在工厂环境的光照变化、电磁干扰和人员遮挡等不利条件下稳定获取注意力、意图和心理负荷信号；其二，多人员协作场景下的边界协调——当多个操作人员同时在场时，如何协调安全边界以兼顾各人的不同状态；其三，人因参数的可解释性与可接受性——操作人员应当理解安全边界为什么在某个时刻外扩或内缩，这既是伦理要求也是提升人机信任的关键。当协作机器人能够“读懂”人的心理状态，并据此动态调整自身行为时，“人机共融”才从技术愿景走向了现实可能。
中研高科教育
