[论文解读] Goal Inference Improves Objective and Perceived Performance in Human-Robot Collaboration

Chang Liu, Jessica B. Hamrick+5 more|arXiv (Cornell University)|Feb 6, 2018

Child and Animal Learning Development参考文献 24被引用 20

一句话总结

本文提出了一种人机协作框架，通过从人类运动中进行贝叶斯目标推理，实现实时动态重规划机器人动作。该方法显著提升了客观任务表现和主观用户感知，参与者即使在预测误差发生时也更偏好具备自适应能力的机器人。

ABSTRACT

The study of human-robot interaction is fundamental to the design and use of robotics in real-world applications. Robots will need to predict and adapt to the actions of human collaborators in order to achieve good performance and improve safety and end-user adoption. This paper evaluates a human-robot collaboration scheme that combines the task allocation and motion levels of reasoning: the robotic agent uses Bayesian inference to predict the next goal of its human partner from his or her ongoing motion, and re-plans its own actions in real time. This anticipative adaptation is desirable in many practical scenarios, where humans are unable or unwilling to take on the cognitive overhead required to explicitly communicate their intent to the robot. A behavioral experiment indicates that the combination of goal inference and dynamic task planning significantly improves both objective and perceived performance of the human-robot team. Participants were highly sensitive to the differences between robot behaviors, preferring to work with a robot that adapted to their actions over one that did not.

研究动机与目标

• 评估运动层面目标推理对人机协作团队任务层面协作表现的影响。
• 探究基于推断的人类意图进行预测性自适应是否能提升协作任务中的客观表现和主观感知表现。
• 在存在不完美推理的现实条件下，比较预测性、反应式和固定行为三种机器人自适应策略的表现。
• 评估用户在协作操作任务中对机器人自适应能力的偏好与感知。
• 考察在预测误差和非理想人类规划假设下，自适应行为的鲁棒性。

提出的方法

• 机器人使用贝叶斯推理，从人类伙伴的运动轨迹中预测其下一个目标。
• 系统基于推断出的人类目标实时重新规划机器人的动作，实现前瞻性自适应。
• 该方法结合了任务级规划与运动层面意图推理，支持对联合行动计划的动态调整。
• 测试了两种推理条件：'理想'（完美意图获取）和'贝叶斯'（从噪声人类轨迹中进行概率推理）。
• 在两个场景中开展了行为实验，使用虚拟机器人和人类化身，分别为搜救任务和摆桌任务。
• 机器人的自适应机制假设从当前状态起人类行为为最优，并通过持续重规划来纠正偏差。

实验结果

研究问题

• RQ1 从人类运动中实时进行目标推理是否能提升人机协作中的客观任务表现？
• RQ2 与反应式或非自适应机器人相比，预测性机器人自适应如何影响用户的感知与偏好？
• RQ3 贝叶斯推理中的预测误差在多大程度上会降低性能和用户满意度？
• RQ4 从当前状态起假设人类行为为最优，是否限制了其在真实场景中的适用性？
• RQ5 基于运动的目标推理能否带来更好的协作效果和更高的感知流畅度？

主要发现

• 能够推断人类目标并实时重规划的预测型机器人，显著缩短了任务完成时间，优于反应式和固定行为机器人。
• 参与者更偏好预测型机器人，其在能力、协作性、流畅性、感知敏锐度和信任度方面的评分均更高。
• 即使预测错误率在15%至40%之间，基于贝叶斯推理的预测型机器人在客观和主观指标上仍优于非自适应机器人。
• 性能提升归因于机器人通过适应人类动作，保持了联合最优性，并为实现最优行动提供了'第二次机会'。
• 研究发现，用户对机器人自适应能力的差异极为敏感，即使预测不完美也如此。
• 结果表明，基于运动的目标推理可实现更自然、更高效的协作，尤其在现实场景中存在认知负荷或压力时更为显著。