[论文解读] Balancing Shared Autonomy with Human-Robot Communication

Rosario Scalise, Yonatan Bisk+4 more|arXiv (Cornell University)|May 20, 2018

Social Robot Interaction and HRI参考文献 19被引用 3

一句话总结

本文研究了在共治自主（shared autonomy）的桌餐清理任务中，人机沟通如何在认知负荷与任务效率之间取得平衡。通过在亚马逊 Mechanical Turk 上分析自然语言指令，研究发现用户会根据机器人能力与任务复杂度，将语言从简单表达逐步调整为更具策略性的表达方式；高层级策略虽能提升计划效率，但会增加用户负担——凸显了人机协作中‘帮助性’与‘可用性’之间的权衡。

ABSTRACT

Robotic agents that share autonomy with a human should leverage human domain knowledge and account for their preferences when completing a task. This extra knowledge can dramatically improve plan efficiency and user-satisfaction, but these gains are lost if communicating with a robot is taxing and unnatural. In this paper, we show how viewing humanrobot language through the lens of shared autonomy explains the efficiency versus cognitive load trade-offs humans make when deciding how cooperative and explicit to make their instructions.

研究动机与目标

• 理解人机交互中的人类语言如何反映对机器人能力的预期，并影响任务效率。
• 探究在共治自主情境下，用户与机器人沟通时，计划效率与用户认知负荷之间的权衡关系。
• 分析任务复杂度与机器人能力如何塑造人类为机器人任务规划所提供的语言形式与内容。
• 识别并分类用户自然生成的高层级语言策略（如启发式方法、约束条件），以辅助机器人。
• 为交互式任务规划系统的设计提供依据，使其能利用人类洞察力，同时最小化用户负担。

提出的方法

• 在亚马逊 Mechanical Turk 上开展用户研究，招募非专家参与者，模拟桌餐清理任务中的人机交互。
• 使用 MAGI 任务与运动规划库，将高层级语言输入转化为几何上可行的计划。
• 收集并分析自然语言指令，按形式（目标、顺序、约束、策略）与复杂度进行分类。
• 通过改变任务配置，评估物体数量、颜色唯一性与空间布局对语言使用与用户满意度的影响。
• 通过计划耗时与事后满意度调查，测量计划效率与用户努力程度。
• 应用语言学原则（格里森准则）解读用户语言模式，评估信息量与清晰度。

实验结果

研究问题

• RQ1 在共治自主情境下，用户语言策略如何随机器人能力与任务复杂度而变化？
• RQ2 当用户提供高层级约束或策略时，计划效率与用户认知负荷之间存在何种权衡？
• RQ3 用户在多大程度上能自然生成有效且非平凡的规划启发式方法或约束条件，以提升机器人性能？
• RQ4 随着任务复杂度增加，用户对指代表达（如颜色、位置）的偏好如何变化？
• RQ5 何种语言形式在有效缩短机器人规划时间的同时，仍保持用户可接受的认知负荷？

主要发现

• 随着任务复杂度提升，用户从简单指代表达逐步转向复杂策略性语言，表明其对机器人能力局限性的适应。
• 提供高层级约束或启发式方法能显著提升计划效率，但在复杂任务中会增加用户努力程度并降低满意度。
• 尽管付出更多努力，用户仍持续生成有帮助的策略（如部分排序、空间启发式），表明其具有强烈的协助意愿。
• 在复杂场景中，用户对唯一颜色作为指代表达的偏好下降，且不存在明确的最易用配置，表明可用性具有情境依赖性。
• 最常见计划与用户生成的其他计划之间，规划时间差异极小，表明用户通常不会提出不可行的操作。
• 本研究揭示了显著的矛盾：用户是高效的规划者，但当被要求提供详细计划时，其挫败感显著上升，凸显了共治自主中可用性瓶颈的存在。