[论文解读] Help, Anyone? A User Study For Modeling Robotic Behavior To Mitigate Malfunctions With The Help Of The User

Markus Bajones, Astrid Weiss+1 more|arXiv (Cornell University)|Jun 8, 2016

Social Robot Interaction and HRI参考文献 14被引用 14

一句话总结

本研究探讨了家用服务机器人在重复导航故障时，是否可通过主动寻求用户帮助实现恢复。研究采用基于‘巫师之 Oz’的实验方法，共招募38名参与者组成乐高积木搭建二人组。关键发现表明，最后下达指令的用户或距离机器人最近的用户更可能提供帮助；且尽管出现故障，用户对机器人智能性和亲和力的感知保持稳定，支持将用户协助作为自主人机交互中可行的故障恢复策略。

ABSTRACT

Service robots for the domestic environment are intended to autonomously provide support for their users. However, state-of-the-art robots still often get stuck in failure situations leading to breakdowns in the interaction flow from which the robot cannot recover alone. We performed a multi-user Wizard-of-Oz experiment in which we manipulated the robot's behavior in such a way that it appeared unexpected and malfunctioning, and asked participants to help the robot in order to restore the interaction flow. We examined how participants reacted to the robot's error, its subsequent request for help and how it changed their perception of the robot with respect to perceived intelligence, likability, and task contribution. As interaction scenario we used a game of building Lego models performed by user dyads. In total 38 participants interacted with the robot and helped in malfunctioning situations. We report two major findings: (1) in user dyads, the user who gave the last command followed by the user who is closer is more likely to help (2) malfunctions that can be actively fixed by the user seem not to negatively impact perceived intelligence and likability ratings. This work offers insights in how far user support can be a strategy for domestic service robots to recover from repeating malfunctions.

研究动机与目标

• 探究用户是否愿意在家庭任务场景中协助机器人应对重复导航故障。
• 理解用户行为（特别是与机器人的距离和最近互动）如何预测其协助意愿。
• 评估用户提供的恢复行为对机器人智能性、亲和力及任务贡献感知的影响。
• 建立机器人行为模型，使其能基于互动历史和空间距离主动选择最可能提供帮助的用户。

提出的方法

• 在19组用户二人组中开展基于‘巫师之 Oz’的实验，参与者使用移动机器人完成乐高积木搭建任务。
• 诱导导航故障（如目标不可达、发生碰撞），并触发机器人使用预设策略请求帮助。
• 利用激光测距仪和摄像头系统检测可见用户，确定其与机器人的距离及最后指令来源。
• 实施决策算法（算法1），根据用户与机器人的距离和最近指令历史，选择最合适的帮助者。
• 通过视频记录收集反应时间（t_react）和帮助时长（t_help），分析响应动态。
• 采用反思性自我报告问卷，评估故障后用户对机器人智能性、亲和力及任务贡献感知的变化。

实验结果

研究问题

• RQ1 用户最近下达指令的行为是否显著提高其在机器人故障时提供帮助的可能性？
• RQ2 用户与机器人的空间距离是否影响其协助意愿？
• RQ3 重复故障对用户对机器人智能性和亲和力的感知有何影响？
• RQ4 能否建立机器人行为模型，使其基于互动和距离线索主动选择最合适的帮助者？

主要发现

• 最后下达指令的用户比近期未互动的用户更有可能提供帮助，且差异具有显著性。
• 物理上距离机器人更近的用户也更可能响应帮助请求。
• 需要用户主动干预的故障并未对机器人智能性或亲和力的感知评价产生负面影响。
• 反应时间（t_react）有时为负值，表明用户在帮助请求完全发出前已开始向机器人移动，提示存在预期性行为。
• 标准任务与不同任务条件下的反应时间或帮助时长无显著差异，表明用户响应具有一致性。
• 用户常将机器人的求助行为视为主动且合作的举动，即使反复失败，仍有助于维持积极的感知。