Dynamic Task Allocation in Human-Robot Teams: Design, Implementation and Evaluation

Abstract

Collaborative applications are increasingly deployed in industrial domains, where humans and robots may operate as multi-agent teams involving multiple interacting human and robotic agents. Yet, research on task-allocation autonomy remains predominantly limited to dyadic human–robot configurations. No study identified in the literature combines multi-human–robot collaboration, in which multiple humans participate in allocation decisions, with an autonomy manipulation, a co-located physical task, and validated subjective and objective measures. To address this gap, a within-subjects experiment (N = 30) investigated a triadic human–human–robot configuration at the TU Wien Pilot Factory, where participants collaborated with a UR10e robot and a scripted confederate on an assembly task under three allocation conditions. Allocation was completed before task execution: algorithmically optimized (static), individually determined, or jointly negotiated with the confederate (group). Participants strongly preferred group allocation and perceived it as the most team-like. Despite requiring more allocation time, group allocation achieved cycle times statistically equivalent to the algorithmically optimized baseline, whereas individual allocation resulted in slower cycle times, higher mental demand, and lower collaboration ratings. These results challenge autonomy-maximization assumptions: autonomy supported performance when exercised collaboratively but imposed burden when exercised individually. Negotiated, socially embedded decision-making can match algorithmic optimization while improving human-centered outcomes, demonstrating that the structure through which autonomy is exercised—not its quantity—determines its value for Industry 5.0 task-allocation design.

Kollaborative Roboter werden zunehmend in Multi-Agenten-Teams eingesetzt, doch die Literatur zur Autonomie bei der Aufgabenverteilung ist nahezu ausschließlich dyadischausgerichtet. Ungeklärt bleibt damit, wie ein zweiter menschlicher Agent das Arbeitserleben und die Leistung beeinflusst. Keine der im Rahmen der Literaturrecherche identifizierten Studien verband eine triadische Mensch-Mensch-Roboter-Konfiguration,eine Manipulation der Autonomie, eine physische, ko-lokalisierte Aufgabe sowie validierte subjektive und objektive Messverfahren. Zur Schließung dieser Lücke wurde ein Within-Subject-Experiment (N = 30) in der Pilotfabrik der TU Wien durchgeführt. DieTeilnehmenden bearbeiteten gemeinsam mit einem UR10e-Cobot und einem instruierten Konfidenten eine Montageaufgabe unter drei Bedingungen, wobei die Aufgabenverteilungin allen Fällen vor der Ausführung abgeschlossen wurde. In der statischen Bedingung wurde die Verteilung vorab algorithmisch optimiert. In der individuellen Bedingung wurde sie ausschließlich von der teilnehmenden Person festgelegt. In der Gruppenbedingung wurde sie zwischen der teilnehmenden Person und dem Konfidenten gemeinsam ausgehandelt. Ein Manipulationscheck ergab keinen signifikanten Unterschied in der wahrgenommenen Kontrolle zwischen den beiden adaptiven Bedingungen, wodurch das Autonomieniveau von der Entscheidungsstruktur entkoppelt werden konnte. Die Teilnehmenden bevorzugten deutlich die Gruppenbedingung (66,7 % gegenüber 20,0 % statischund 13,3 % individuell), und 93,3 % bewerteten sie als am stärksten teamartig. Die Gruppenbedingung erreichte trotz deutlich längerer Verteilungsdauer dieselbe Zykluszeitwie die statische Referenz (202,2 s gegenüber 198,9 s; statistische Äquivalenz bestätigt),während die individuelle Bedingung die längsten Zykluszeiten (22,5 % langsamer), die höchste geistige Beanspruchung und die niedrigsten Bewertungen der Zusammenarbeit hervorbrachte. Auch die subjektive Beanspruchung unterschied sich signifikant zwischenden Bedingungen. Diese Ergebnisse stellen Annahmen der Autonomiemaximierung infrage: Autonomiewirkte als Ressource, wenn sie kollaborativ ausgeübt wurde, und als Belastung, wennsie isoliert ausgeübt wurde. Die Arbeit zeigt, dass ausgehandelte, sozial eingebettete Entscheidungsfindung die Effizienz algorithmischer Optimierung erreichen und zugleichmenschzentrierte Ergebnisse verbessern kann. Nicht das Ausmaß der Autonomie allein,sondern die soziale Struktur, in der sie ausgeübt wird, bestimmt ihren Wert — mit unmittelbaren Implikationen für die menschzentrierte Gestaltung der Aufgabenverteilung in der Produktion im Sinne von Industrie 5.0