[论文解读] Learning to Engage with Interactive Systems: A field Study

Lingheng Meng, Daiwei Lin+4 more|arXiv (Cornell University)|Apr 14, 2019

Embodied and Extended Cognition被引用 4

一句话总结

本文提出了一种强化学习框架，通过行为线索估计人类参与度，并利用该参与度来学习物理智能体的自适应、具吸引力的交互策略。在博物馆环境中对一件互动雕塑进行评估，该系统在参与度和喜爱度方面均优于预设脚本行为，证明了在自然环境中学习自适应交互策略的有效性。

ABSTRACT

Physical agents that can autonomously generate engaging, life-like behaviour will lead to more responsive and interesting robots and other autonomous systems. Although many advances have been made for one-to-one interactions in well controlled settings, future physical agents should be capable of interacting with humans in natural settings, including group interaction. In order to generate engaging behaviours, the autonomous system must first be able to estimate its human partners' engagement level. In this paper, we propose an approach for estimating engagement from behaviour and use the measure within a reinforcement learning framework to learn engaging interactive behaviours. The proposed approach is implemented in an interactive sculptural system in a museum setting. We compare the learning system to a baseline using pre-scripted interactive behaviours. Analysis based on sensory data and survey data shows that adaptable behaviours within a perceivable and understandable range can achieve higher engagement and likeability.

研究动机与目标

• 开发一种在与物理智能体交互过程中实时估计人类参与度的方法。
• 使自主系统能够通过强化学习，利用参与度作为奖励信号，学习具吸引力的行为。
• 在自然、非受控环境（如博物馆）中，评估所学自适应行为与预设脚本交互行为的有效性。

提出的方法

• 系统通过在人机交互过程中收集的传感器数据，利用行为线索估计参与度。
• 强化学习框架将参与度估计结果作为奖励信号，以优化交互行为。
• 学习过程在专为公共博物馆环境设计的互动雕塑系统中实现。
• 系统根据参与度估计的反馈实时调整行为，实现动态交互。
• 基线对比采用预设的、非自适应行为，以评估性能。
• 收集感官数据和用户调查问卷，以验证参与度和喜爱度的结果。

实验结果

研究问题

• RQ1 在自然、非结构化的真人-物理智能体交互中，能否可靠地从行为数据中估计参与度？
• RQ2 基于参与度估计，通过强化学习学习自适应行为，是否能带来比预设行为更高的用户参与度？
• RQ3 用户在公共场所如何感知并评价自适应行为与脚本化交互行为的喜好程度？

主要发现

• 通过强化学习所学的自适应行为，相比预设脚本行为，显著提升了用户参与度。
• 用户对基于学习的系统表现出更高的喜爱度，优于基线的预设脚本系统。
• 参与度估计模型成功捕捉了用户兴趣在交互过程中的动态变化。
• 系统实时自适应能力显著提升了交互的自然性与吸引力。
• 感官数据与调查结果共同验证了该学习框架在真实场景中的有效性。
• 本研究证明，可感知且可理解的行为自适应能够显著提升公共交互系统中的用户体验。