본 논문은 사람과 로봇이 공유하는 작업 공간에서 유연하고 고처리량 자동화를 가능하게 하기 위해, 협업 로봇 셀이 엄격한 안전 보장과 반응성 및 효과적인 동작의 필요성을 조화시켜야 하는 문제를 다룬다. 특히, 인간의 동작의 확률적이고 작업 의존적인 변동성(동적 장애물)을 고려하여, 순전히 반응적이거나 최악의 경우를 가정하는 접근 방식의 한계를 극복하고자 한다. 기존의 학습 기반 인간 동작 예측은 최악의 시나리오를 예측하는 경향이 있고, 예측 불확실성을 잘 처리하지 못해 과도하게 보수적인 계획 알고리즘을 초래한다는 점을 지적한다. 따라서, 본 논문에서는 확률적 인간 손 동작 예측과 제어 장벽 함수(Control Barrier Functions, CBFs)의 공식적인 안전 보장을 통합한 불확실성 인식 예측 제어 장벽 함수(Uncertainty-Aware Predictive Control Barrier Functions, UA-PCBFs) 프레임워크를 제안한다. UA-PCBFs는 예측 모듈이 제공하는 인간 동작 불확실성 추정을 통해 안전 마진을 동적으로 조정할 수 있다. 실제 로봇 핸드와의 자동화된 설정 실험과 직접적인 인간-로봇 상호 작용 실험을 통해 UA-PCBFs의 유효성을 검증하고, 기존 HRI 아키텍처보다 작업 관련 지표에서 더 나은 성능을 보이며, 안전 공간 위반 수를 크게 줄이는 것을 보여준다.
