[论文解读] Understanding the Uncertainty Loop of Human-Robot Interaction

Jan Leusmann, Chao Wang+3 more|arXiv (Cornell University)|Mar 14, 2023

Social Robot Interaction and HRI被引用 6

一句话总结

本文提出了人类-机器人不确定性回路（Human-Robot Uncertainty Loop），这是一个六阶段框架，用于分析人机交互（HRI）中的不确定性，强调机器人与人类如何通过言语和非言语线索表达并解读不确定性。该研究主张机器人应透明地传达自身的不确定性，并通过类人或人工线索来解读人类的不确定性，从而提升交互的透明度与信任感。

ABSTRACT

Recently the field of Human-Robot Interaction gained popularity, due to the wide range of possibilities of how robots can support humans during daily tasks. One form of supportive robots are socially assistive robots which are specifically built for communicating with humans, e.g., as service robots or personal companions. As they understand humans through artificial intelligence, these robots will at some point make wrong assumptions about the humans' current state and give an unexpected response. In human-human conversations, unexpected responses happen frequently. However, it is currently unclear how such robots should act if they understand that the human did not expect their response, or even showing the uncertainty of their response in the first place. For this, we explore the different forms of potential uncertainties during human-robot conversations and how humanoids can, through verbal and non-verbal cues, communicate these uncertainties.

研究动机与目标

• 理解不确定性在人机交互中（尤其是社会助手机器人SARs）如何产生并传播。
• 识别在HRI过程中出现的不同形式的不确定性——人类内在的、人类表达的、机器人推断的以及机器人表达的不确定性。
• 研究机器人如何通过言语和非言语线索来传达自身不确定性，并解读人类的不确定性。
• 评估类人线索与人工线索在传达不确定性方面哪种更有效且更不易引发诡异感。
• 通过将不确定性建模为人类与机器人之间的动态双向回路，提升交互透明度与用户信任。

提出的方法

• 提出六阶段人类-机器人不确定性回路：人类输入不确定性、人类不确定性、人类输出不确定性、机器人输入不确定性、机器人输出不确定性以及机器人决策不确定性。
• 分析人类如何通过语调线索（如填充词）、面部表情（如皱眉、犹豫）和手势（如耸肩、掌心向上）表达不确定性。
• 研究机器人通过人工智能技术感知人类不确定性的方式，例如在决策过程中使用面部动作单元检测和脑电图（EEG）分析。
• 探索机器人通过语音调制（音调、音高）、运动速度（例如Hough和Schlangen, 2017）以及人工手势或光信号来表达不确定性的方法。
• 比较类人线索（如面部表情、自然语言）与人工线索（如光图案、风格化手势）在清晰度与诡异感方面的表现。
• 利用现有文献与案例研究（如Google Duplex、基于AR的动作指示）将该框架与实际应用场景相结合。

Figure 1 . The Human-Robot Uncertainty Loop.

实验结果

研究问题

• RQ1 在HRI中，人类如何感知并解读机器人表达的不确定性线索？
• RQ2 机器人使用哪些言语和非言语线索最有效地传达自身的不确定性？
• RQ3 类人线索在提升理解度方面有多大的作用，同时在多大程度上会引发诡异谷效应？
• RQ4 机器人如何在交互过程中实时检测并响应人类的不确定性？
• RQ5 在非人形机器人中，使用类人线索与人工线索进行不确定性沟通的权衡是什么？

主要发现

• 通过言语和非言语线索透明传达自身不确定性的机器人，能显著提升用户信任度与交互流畅性。
• 非言语线索（如犹豫、皱眉或缓慢动作）在传达不确定性方面比言语线索更有效，尤其是在实时交互中。
• 使用类人表情与语调的人形机器人更易被理解，但如果表现过度，可能引发诡异谷效应。
• 人工线索（如光图案或风格化手势）即使在非人形机器人中也能有效传达不确定性，尤其在配合明确功能提示时效果更佳。
• 用户能够可靠地从运动速度和语音音高推断出机器人的信心水平，如Hough和Schlangen（2017）所证实。
• 自然性与可接受性之间存在权衡：模仿人类行为的线索更直观，但如果过于逼真，可能引发诡异感。