When May I Help You? On The Effect of Proactivity on Group Human-Robot Collaboration

기술 요약: 언제 제가 도와드릴까요? 주도성이 그룹 인간-로봇 협업에 미치는 영향에 대하여

문제 정의

다자간 인간-로봇 협업(HRI)에서 로봇의 주도성(initiative)은 핵심적인 설계 과제이다. 선제적으로 행동하는 로봇은 적시에 지원을 제공할 수 있지만, 조율을 방해하거나 주의력을 분산시키고 대화 순서를 방해할 위험이 있다. 반대로, 호출될 때까지 기다리는 반응형 로봇은 인간의 통제권을 보존하지만, 도움을 줄 기회를 놓칠 수 있다. 이러한 긴장은 언어 능력을 갖춘 로봇에서 특히 두드러지는데, 로봇의 기여는 물리적 행동과 대화를 통해 모두 이루어지며, 이로 인해 로봇은 작업 지원이자 사회적 행동으로서 가시성을 갖게 된다. 본 논문은 로봇이 다자간 협업에 어떻게 참여해야 하는지를 조사한다: 즉, 반응형 스타일(호출될 때까지 대기)을 고수할 것인가, 아니면 주도적 스타일(자율적으로 기여하고 상호작용을 재개)을 취할 것인가를 탐구한다.

연구 방법론

본 연구는 인간 참가자 쌍과 휴머노이드 로봇(NICO)이 포함된 협동 탈출 게임 시나리오를 활용한다.

• 실험 설정:

  • 참가자: 56명의 참가자(28쌍)를 모집하였다. 조건 할당은 쌍 단위로 수행되었으며, 결과적으로 주도적 조건에 14쌍, 반응형 조건에 14쌍이 배정되었다.
  • 로봇 플랫폼: 표현력이 풍부한 LED 얼굴과 의인화된 손을 갖춘 NICO 로봇을 사용하였으며, ELMiRA 프레임워크를 통해 ChatGPT 4o 대규모 언어 모델(LLM)이 탑재되었다.
  • 감지 및 인지: 로봇은 개별 웨어러블 마이크를 사용하여 음성을 포착하고 Whisper 모델을 통해 텍스트로 변환하였다. 로봇은 환경적 사실에 대한 메모리 시스템(사전 기반)을 유지하였으며, LLM에 정보를 제공하기 위해 메모리를 쿼리하거나 이미지를 캡처할 수 있었다.
  • 과업: 참가자들은 60분 이내에 컴퓨터를 잠금 해제할 비밀번호를 찾는 인턴 역할을 수행하였다. 과업은 환경 관찰, 패턴 매칭, 정보 검색을 요구하는 4개의 선형적인 퍼즐 시퀀스로 구성되었다.

• 상호작용 모델:

  • 반응형 모델 (Reactive Model): 로봇은 이름으로 명시적으로 호출되거나 자동화된 힌트를 전송할 때만 응답하는 음성 비서와 유사하게 작동하였다.
  • 주도적 모델 (Proactive Model): 로봇은 실내의 모든 음성을 지속적으로 경청하였다. 90초 동안 상호작용이 발생하지 않으면, 로봇은 진행 상황을 묻고 도움을 제안하기 위해 자율적으로 접촉을 재개하였다.

• 측정 지표:

  • 객관적 지표: 퍼즐 해결 시간, 힌트 사용 횟수, 상호작용 빈도.
  • 주관적 지표: 인구통계학적 특성, 성격(BFI-10 외향성), 사전 경험(탈출 게임, LLM, 로봇)을 평가하는 사전 및 사후 실험 설문지.
  • 지각 척도: Godspeed 설문 시리즈(의인화, 생동감, 호감도, 지능, 안전성) 및 로봇 사회적 속성 척도(RoSAS: 따뜻함, 유능함, 불편함).

주요 기여

1. 주도성 모델의 실증적 비교: 본 연구는 이자간(dyadic) 상호작용을 넘어, 다자간 협력 HRI 환경에서 주도적 및 반응형 상호작용 스타일을 직접 비교하였다.
2. 맥락화된 탈출 게임 프레임워크: 로봇의 주도성을 조사하기 위해 설계된 특정 협동 탈출 게임 설정을 도입하였으며, 진행 상황을 추적하고 통제된 힌트 전달이 가능한 퍼즐 그래프를 특징으로 한다.
3. 조절 변수 분석: 본 연구는 사용자의 사전 경험(탈출 게임, LLM, 로봇)과 성격 특성(외향성)이 성능 및 지각에 미치는 영향을 미치는 조절 효과를 명시적으로 조사하였다.

결과

• 상호작용 빈도: 주도적 모델은 반응형 모델에 비해 상호작용 횟수가 유의미하게 증가하였다 ($p < .001$) (평균 97.86 대 29.07).
• 과업 성공: 반응형 모델이 주도적 모델보다 기술적으로 더 높은 전체 성공률(92.86%)을 보였으나, 이 차이는 통계적으로 유의미하지 않았다 ($p = .077$).
• 지각의 분산: 지각 척도(Godspeed 및 RoSAS)의 평균 점수는 모델 간에 유의미한 차이가 없었으나, 주도적 모델은 반응형 모델에 비해 *생동감(Animacy)*과 호감도(Likeability)(Godness) 측면에서 유의미하게 낮은 분산을 나타냈다.
• 경험 및 성격의 조절 효과:
  • LLM 경험: LLM 경험이 있는 참가자들은 반응형 모델을 사용할 때 초기 퍼즐(1 및 2)을 유의미하게 더 빨리 해결하였다. 그러나 퍼즐 4의 경우, 주도적 모델을 사용할 때 더 빨랐다.
  • 로봇 경험: 로봇 경험이 있는 참가자들은 주도적 모델을 사용하여 퍼즐 3을 유의미하게 더 빨리 해결하였다. 지각 측면에서, 경험이 있는 사용자는 반응형 로봇을 지능(Intelligence) 면에서 더 높게 평가한 반면, 경험이 없는 사용자는 주도적 로봇을 *유능함(Competence)*과 생동감(Animacy) 면에서 더 높게 평가하였다.
  • 외향성: 내향적인 참가자들은 퍼즐 2를 반응형 모델로 더 빨리 해결했으나, 퍼즐 4는 주도적 모델로 더 빨리 해결하였다. 내향적인 사람들은 주도적 모델을 선호하며 이를 유능함 측면에서 더 높게 평가한 반면, 외향적인 사람들은 반응형 모델을 지능 및 호감도 측면에서 더 높게 평가하였다.
  • 탈출 게임 경험: 초보자는 퍼즐 4를 주도적 모델로 더 빨리 해결하였고, 이를 생동감과 유능함 측면에서 더 높게 평가하였다. 숙련된 탈출 게임 참가자들은 반응형 모델을 호감도 측면에서 더 높게 평가하였다.

의의 및 주장

본 논문은 로봇의 주도성이 보편적인 것이 아니라 사용자의 사전 경험, 성격 특성, 그리고 그룹의 구체적인 요구에 의해 동시에 형성된다고 주장한다.

• 선호의 이질성 (Heterogeneity of Preference): 본 연구는 상황에 불편함을 느끼는 사용자(초보자, 내향적 사용자)는 주도적인 로봇을 선호하며 이를 더 유능하고 인간답다고 인식(불쾌한 골짜기 '위'에 위치)하는 경향이 있는 반면, 상황에 익숙한 사용자(경험자, 외향적 사용자)는 반응형 로봇을 선호하며 이를 더 지능적이고 덜 침해적이라고 인식(불쾌한 골짜기 '안'에 위치)한다는 "이질적 선호"를 입증하였다.
• LLM 상호작용 패턴: 연구 결과는 LLM 경험이 효율적인 상호작용을 이끌지만, 이는 사용자가 상호작용을 완전히 통제할 때(반응형 모델)만 가능하다는 것을 시사한다. 주도적인 로봇은 인간 간의 의사소통을 가로채며, 이는 로봇이 그룹 내 사회적 파트너로서 수용되는 과정을 복잡하게 만들 수 있다.
• 설계 시사점: 저자들은 사용자가 기술 및 과업에 대한 친숙도에 따라 서로 다른 기대치를 가지고 오기 때문에 사회적 환경을 위한 로봇을 설계하는 것이 복잡하다고 결론짓는다. 로봇의 사회적 이미지는 기대되는 역할과 연결되어 있으며, 이는 단일한 상호작용 모델이 다양한 사용자 집단에 충분하지 않을 수 있음을 시사한다. 본 논문은 자연스러운 인간-인간 의사소통 패턴과 더 잘 일치하도록 설계된, 체화된(embodied) HRI를 위해 명시적으로 설계된 특화된 LLM을 탐구해야 한다고 제안한다.