[论文解读] Effects of Interruptibility-Aware Robot Behavior

Siddhartha Banerjee, Andrew Silva+2 more|arXiv (Cornell University)|Apr 17, 2018

Personal Information Management and User Behavior参考文献 26被引用 3

一句话总结

本论文提出首个具备中断感知能力的移动机器人系统，该系统利用机载计算机视觉技术检测社交与情境线索，并预测最佳的中断时机。大规模用户研究结果表明，具备中断感知能力的机器人中断频率更低，但中断时机更恰当，显著提升了机器人任务效率及人类对机器人社交能力的感知，同时未降低人类任务表现。

ABSTRACT

As robots become increasingly prevalent in human environments, there will inevitably be times when a robot needs to interrupt a human to initiate an interaction. Our work introduces the first interruptibility-aware mobile robot system, and evaluates the effects of interruptibility-awareness on human task performance, robot task performance, and on human interpretation of the robot's social aptitude. Our results show that our robot is effective at predicting interruptibility at high accuracy, allowing it to interrupt at more appropriate times. Results of a large-scale user study show that while participants are able to maintain task performance even in the presence of interruptions, interruptibility-awareness improves the robot's task performance and improves participant social perception of the robot.

研究动机与目标

• 开发一种仅依赖机载传感器即可自主分类人类中断感知能力的移动机器人系统。
• 评估中断感知行为对人类任务表现、机器人任务表现及社交感知的影响。
• 确定基于人类情境与社交线索调整中断时机是否能提升整体系统效率与用户体验。
• 探索在无需外部传感器或用户设备的现实人机交互场景中部署此类系统的可行性。

提出的方法

• 系统使用多种先进的计算机视觉检测器，从机载RGB-D摄像头提取高层次社交与情境线索（例如：视线方向、姿势、活动状态）。
• 通过场景分析提取的视觉特征，实时分类人类的中断感知能力，无需外部传感器或用户标记。
• 机器人利用学习到的中断感知模型决定何时发起交互，优先选择中断感知度高的时刻。
• 在模拟制造环境中开展用户研究，共42名参与者，比较三种条件：具备中断感知能力的机器人（MDL）、观察者引导型（WOZ）和随机中断（RND）。
• 根据中断持续时间与延迟（从请求到响应的时间）评估中断时机，性能通过任务吞吐量与社交感知指标衡量。
• 社交感知通过9分制李克特量表评估，统计分析采用Kruskal-Wallis检验与FDR校正后的事后Wilcoxon检验。

实验结果

研究问题

• RQ1 移动机器人能否仅使用机载视觉传感器且无需外部设备，准确预测人类的中断感知能力？
• RQ2 与随机或非感知中断策略相比，基于中断感知的中断时机是否能提升机器人任务表现？
• RQ3 中断感知行为是否会影响人类在并行任务中的表现？
• RQ4 中断感知行为如何影响人类对机器人社交能力与体贴程度的感知？

主要发现

• 该中断感知系统仅依赖机载视觉数据即可实现高精度的中断感知预测，证明了无需外部传感器即可实现自主分类的可行性。
• MDL条件下的机器人中断频率更低，但中断时机更恰当，中断延迟中位数降至21.0秒，显著低于RND条件下的48.2秒。
• 尽管中断时机更优，但各条件下人类任务吞吐量无显著差异，支持了人类能自主调节工作负荷并在必要时忽略中断的假设。
• MDL条件下的机器人任务表现优于RND，中断延迟显著降低，且在无生产性交互上浪费的时间更少。
• 参与者对MDL条件下的中断感知机器人评分显著更高，认为其更体贴，社交感知评分中位数为7分（9分制），而RND条件为4分。
• WOZ条件（由人工操作员模拟中断感知行为）的社交感知评分最高（中位数为9），表明人类对时机恰当的交互具有强烈偏好。