Resumen Técnico: ARIS – Sistema de Inteligencia Agente y de Relaciones para Robots Sociales

1. Declaración del Problema

Aunque los modelos fundamentales (LLM y VLM) han mejorado la robótica social al permitir una percepción y comunicación más ricas, los sistemas actuales enfrentan limitaciones críticas en la interacción de múltiples turnos, el razonamiento sobre relaciones sociales y el diálogo fundamentado contextualmente a gran escala. Las arquitecturas existentes se dirigen principalmente a la ejecución de tareas y la manipulación física en lugar de la inteligencia social. En consecuencia, los robots luchan para:

• Representar o razonar sobre relaciones sociales entre individuos (por ejemplo, familia, colegas).
• Mantener la consistencia histórica y la capacidad de respuesta en interacciones densas y a largo plazo debido a ventanas de contexto finitas y al aumento de la latencia de inferencia.
• Integrar la cognición social con la encarnación física en un marco unificado.

2. Metodología

Los autores proponen ARIS (Sistema de Inteligencia Agente y de Relaciones), un marco de IA agente modular diseñado para unificar el razonamiento multimodal, un Modelo de Mundo Social basado en grafos y la Generación Aumentada por Recuperación (RAG). El sistema se despliega en un Robot Pepper (v1.8) utilizando una arquitectura de cliente-servidor en el borde.

2.1 Arquitectura del Sistema

• Borde (Robot): El robot Pepper sirve como interfaz de usuario, capturando flujos de audio y video y ejecutando acciones físicas (gestos, bailes).
• Cliente: Un Raspberry Pi 5 que encapsula los flujos de audio y video en paquetes gRPC para su transmisión.
• Servidor: Un servidor NVIDIA RTX 4090 que procesa las entradas. Utiliza Whisper-large-v3 para la transcripción de voz y un LLM Grok 2 para el razonamiento.
• Motor de Razonamiento Modular: Un módulo "Razonador" consulta una biblioteca de API para seleccionar acciones apropiadas (Voz, Visión o Encarnación Física) basándose en el contexto.

2.2 Componentes Principales

A. Modelo de Mundo Social (SWM)

• Estructura: Un grafo de conocimiento basado en grafos (Neo4j) donde los nodos representan Nodos de Persona (usuarios) y las aristas representan relaciones (por ejemplo, amigo, familia).
• Función: El sistema extrae pistas relacionales del diálogo utilizando un LLM para inferir conexiones (por ejemplo, "X es el supervisor de Y"). Actualiza el gráfico mediante consultas Cypher, creando nuevos nodos para usuarios desconocidos o fusionando los existentes utilizando la distancia de Levenshtein para la coincidencia de nombres.
• Atributos: El modelo almacena atributos de usuario (intereses, ocupación) vinculados a Nodos de Persona específicos, permitiendo una interacción personalizada.

B. Pipeline de Voz Basado en RAG

• Diseño: Para abordar los límites de la ventana de contexto y los costos computacionales, ARIS emplea un pipeline RAG. El historial conversacional se almacena como Nodos de Mensaje (entrada del usuario + respuesta del robot) vinculados a Nodos de Persona.
• Estrategia de Recuperación: Al recibir una entrada, el sistema recupera:
  1. Los 20 mensajes más recientes para la continuidad inmediata.
  2. Los 20 mensajes semánticamente más cercanos (utilizando incrustaciones de OpenAI de 1536 dimensiones e indexación HNSW) para proporcionar contexto.
  3. Se incluyen los predecesores y sucesores inmediatos de los mensajes recuperados, limitando el contexto total a 80 mensajes.
• Ejecución: El contexto recuperado se alimenta al LLM (Grok 2) para generar una respuesta, que luego se agrega al gráfico.

C. Integración Multimodal

• Visión: Un Modelo de Lenguaje Visual (Grok-2-Vision) actúa como generador de descripciones cuando se requiere contexto visual.
• Reidentificación (ReID): Un módulo procesa 15 cuadros mediante votación mayoritaria para asignar un ID de rostro único a los individuos, vinculándolos a su Nodo de Persona en el SWM.

3. Contribuciones Clave

El artículo describe tres contribuciones principales:

1. Modelo de Mundo Social para HRI: Una representación basada en grafos que mapea y actualiza explícitamente las relaciones humano-humano, permitiendo a los robots rastrear conexiones sociales, reidentificar usuarios a través de encuentros y generar diálogos conscientes del contexto fundamentados en datos relacionales.
2. Pipeline RAG Eficiente: Un mecanismo de recuperación novedoso que utiliza recuperación híbrida semántica y consciente de la recencia. Esto permite al robot sostener un diálogo fundamentado contextualmente a lo largo de miles de intercambios mientras mantiene una latencia acotada y la relevancia de la respuesta.
3. Integración y Validación del Sistema: La unificación de estos componentes en una arquitectura agente modular que coordina la voz, la visión y la acción física. El sistema fue validado empíricamente frente a una línea base de solo LLM.

4. Resultados Experimentales

Los autores realizaron dos experimentos: un estudio con usuarios ($N=23$) y una simulación de escalabilidad.

4.1 Estudio con Usuarios (Hipótesis H1)

Los participantes interactuaron con el robot en pares diádicos, comparando el sistema ARIS con una línea base de solo LLM (que carecía de SWM, ReID y encarnación física).

• Métricas: Inteligencia Percibida, Animación, Antropomorfismo y Agrado (Cuestionario Godspeed).
• Hallazgos: ARIS superó significativamente a la línea base en todas las métricas:
  • Antropomorfismo: $d = 1.05$ (Efecto grande, $p < 0.001$).
  • Inteligencia: $d = 0.74$ (Efecto medio, $p = 0.0018$).
  • Animación: $d = 0.70$ (Efecto medio, $p = 0.003$).
  • Agrado: $d = 0.46$ (Efecto pequeño-medio, $p = 0.0398$).
• Rendimiento del SWM: 7 de los 12 participantes "segundos en interactuar" fueron reconocidos con éxito por ARIS, y 9 informaron que el robot "sabía sobre mi compañero", en comparación con tasas de reconocimiento significativamente más bajas en la línea base.

4.2 Escalabilidad RAG vs. No-RAG (Hipótesis H2)

Los autores simularon conversaciones densas duplicando los historiales de mensajes hasta 14,000 entradas.

• Latencia: El pipeline No-RAG mostró un crecimiento lineal a superlineal en el tiempo de inferencia, superando los 10,000 ms a los 14,000 mensajes. El pipeline RAG mantuvo una latencia acotada por debajo de 4,000 ms independientemente del tamaño del historial.
• Calidad de Salida: La similitud coseno entre las salidas de RAG y No-RAG fue del 83.54%, lo que sugiere que la recuperación selectiva preserva la relevancia de la respuesta comparable al acceso al historial completo.

5. Significado y Afirmaciones

El artículo afirma que ARIS demuestra el valor de integrar el razonamiento encarnado y la memoria estructurada para avanzar en la interacción social en robótica. Al unificar el razonamiento social, la percepción multimodal y la recuperación de contexto, el sistema logra mejoras medibles en la participación del usuario y la inteligencia percibida en comparación con las líneas base estándar de solo LLM.

Los autores enfatizan que su enfoque es rentable, invocando el Modelo de Lenguaje Visual solo cuando se requiere contextualmente y limitando la recuperación RAG para reducir el consumo de tokens. Posicionan a ARIS como un paso hacia robots capaces de una "profundidad conversacional intensa" y un compromiso sostenido y consciente socialmente en entornos del mundo real.

Limitaciones Reconocidas:

• La evaluación carece de un estudio de ablación formal para aislar las contribuciones de los componentes individuales.
• La prueba de escalabilidad utilizó mensajes duplicados sintéticamente en lugar de diálogos orgánicos a largo plazo, lo que podría no capturar completamente la deriva semántica.
• El tamaño de la muestra ($N=23$) es modesto y el sistema se probó en una sola plataforma robótica (Pepper).

La implementación está destinada a ser lanzada como código abierto tras su publicación.