Resumo Técnico: ARIS – Sistema de Inteligência Agente e Relacional para Robôs Sociais

1. Declaração do Problema

Enquanto os modelos fundamentais (LLMs e VLMs) aprimoraram a robótica social ao permitir percepção e comunicação mais ricas, os sistemas atuais enfrentam limitações críticas no engajamento de múltiplas voltas, no raciocínio sobre relacionamentos sociais e no diálogo contextualmente fundamentado em escala. Arquiteturas existentes visam principalmente a execução de tarefas e a manipulação física, em vez da inteligência social. Consequentemente, os robôs lutam para:

• Representar ou raciocinar sobre relacionamentos sociais entre indivíduos (por exemplo, família, colegas).
• Manter consistência histórica e responsividade em interações densas e de longo prazo devido a janelas de contexto finitas e aumento da latência de inferência.
• Integrar a cognição social com a encarnação física em um framework unificado.

2. Metodologia

Os autores propõem o ARIS (Sistema de Inteligência Agente e Relacional), um framework de IA agente modular projetado para unificar o raciocínio multimodal, um Modelo de Mundo Social baseado em grafos e a Geração Aumentada por Recuperação (RAG). O sistema é implantado em um Robô Pepper (v1.8) usando uma arquitetura cliente-servidor de borda.

2.1 Arquitetura do Sistema

• Borda (Robô): O robô Pepper serve como interface do usuário, capturando fluxos de áudio e vídeo e executando ações físicas (gestos, danças).
• Cliente: Um Raspberry Pi 5 que encapsula fluxos de áudio e vídeo em pacotes gRPC para transmissão.
• Servidor: Um servidor NVIDIA RTX 4090 que processa as entradas. Ele utiliza o Whisper-large-v3 para transcrição de fala e um LLM Grok 2 para raciocínio.
• Motor de Raciocínio Modular: Um módulo "Reasoner" consulta uma biblioteca de APIs para selecionar ações apropriadas (Fala, Visão ou Encarnação Física) com base no contexto.

2.2 Componentes Principais

A. Modelo de Mundo Social (SWM)

• Estrutura: Um grafo de conhecimento baseado em grafos (Neo4j) onde os nós representam Nós de Pessoa (usuários) e as arestas representam relacionamentos (por exemplo, amigo, família).
• Função: O sistema extrai pistas relacionais do diálogo usando um LLM para inferir conexões (por exemplo, "X é o supervisor de Y"). Ele atualiza o grafo por meio de consultas Cypher, criando novos nós para usuários desconhecidos ou mesclando os existentes usando a distância de Levenshtein para correspondência de nomes.
• Atributos: O modelo armazena atributos do usuário (interesses, ocupação) vinculados a Nós de Pessoa específicos, permitindo interação personalizada.

B. Pipeline de Fala Baseado em RAG

• Design: Para abordar os limites da janela de contexto e os custos computacionais, o ARIS emprega um pipeline RAG. O histórico de conversas é armazenado como Nós de Mensagem (entrada do usuário + resposta do robô) vinculados a Nós de Pessoa.
• Estratégia de Recuperação: Ao receber uma entrada, o sistema recupera:
  1. As 20 mensagens mais recentes para continuidade imediata.
  2. As 20 mensagens semanticamente mais próximas (usando embeddings OpenAI de 1536 dimensões e indexação HNSW) para fornecer contexto.
  3. Predecessores e sucessores imediatos das mensagens recuperadas são incluídos, limitando o contexto total a 80 mensagens.
• Execução: O contexto recuperado é enviado ao LLM (Grok 2) para gerar uma resposta, que é então anexada ao grafo.

C. Integração Multimodal

• Visão: Um Modelo de Linguagem Visual (Grok-2-Vision) atua como um legendador quando o contexto visual é necessário.
• Reidentificação (ReID): Um módulo processa 15 quadros por votação majoritária para atribuir um ID de rosto único a indivíduos, vinculando-os ao seu Nó de Pessoa no SWM.

3. Contribuições Principais

O artigo descreve três contribuições primárias:

1. Modelo de Mundo Social para HRI: Uma representação baseada em grafos que mapeia e atualiza explicitamente relacionamentos humano-humano, permitindo que os robôs rastreiem conexões sociais, reidentifiquem usuários em encontros e gerem diálogos conscientes do contexto fundamentados em dados relacionais.
2. Pipeline RAG Eficiente: Um mecanismo de recuperação inovador usando recuperação híbrida semântica e consciente da recência. Isso permite que o robô sustente diálogos fundamentados no contexto ao longo de milhares de trocas, mantendo latência limitada e relevância de resposta.
3. Integração e Validação do Sistema: A unificação desses componentes em uma arquitetura agente modular que coordena fala, visão e ação física. O sistema foi validado empiricamente contra uma linha de base apenas com LLM.

4. Resultados Experimentais

Os autores conduziram dois experimentos: um estudo com usuários ($N=23$) e uma simulação de escalabilidade.

4.1 Estudo com Usuários (Hipótese H1)

Os participantes interagiram com o robô em pares díades, comparando o sistema ARIS com uma linha de base apenas com LLM (que carecia de SWM, ReID e encarnação física).

• Métricas: Inteligência Percebida, Animacidade, Antropomorfismo e Agradabilidade (Questionário Godspeed).
• Resultados: O ARIS superou significativamente a linha de base em todas as métricas:
  • Antropomorfismo: $d = 1,05$ (Efeito grande, $p < 0,001$).
  • Inteligência: $d = 0,74$ (Efeito médio, $p = 0,0018$).
  • Animacidade: $d = 0,70$ (Efeito médio, $p = 0,003$).
  • Agradabilidade: $d = 0,46$ (Efeito pequeno-médio, $p = 0,0398$).
• Desempenho do SWM: 7 dos 12 participantes "segundos a interagir" foram reconhecidos com sucesso pelo ARIS, e 9 relataram que o robô "sabia sobre meu parceiro", em comparação com taxas de reconhecimento significativamente menores na linha de base.

4.2 Escalabilidade RAG vs. Não-RAG (Hipótese H2)

Os autores simularam conversas densas duplicando históricos de mensagens até 14.000 entradas.

• Latência: O pipeline Não-RAG mostrou crescimento linear a superlinear no tempo de inferência, excedendo 10.000 ms em 14.000 mensagens. O pipeline RAG manteve uma latência limitada abaixo de 4.000 ms, independentemente do tamanho do histórico.
• Qualidade de Saída: A similaridade de cosseno entre as saídas RAG e Não-RAG foi de 83,54%, sugerindo que a recuperação seletiva preserva a relevância da resposta comparável ao acesso ao histórico completo.

5. Significado e Alegações

O artigo alega que o ARIS demonstra o valor de integrar raciocínio encarnado e memória estruturada para avançar a interação social na robótica. Ao unificar o raciocínio social, a percepção multimodal e a recuperação de contexto, o sistema alcança melhorias mensuráveis no engajamento do usuário e na inteligência percebida em comparação com as linhas de base padrão apenas com LLM.

Os autores enfatizam que sua abordagem é custo-efetiva, invocando o Modelo de Linguagem Visual apenas quando contextualmente necessário e limitando a recuperação RAG para reduzir o consumo de tokens. Eles posicionam o ARIS como um passo em direção a robôs capazes de "profundidade conversacional intensa" e engajamento sustentado e socialmente consciente em cenários do mundo real.

Limitações Reconhecidas:

• A avaliação carece de um estudo de ablação formal para isolar as contribuições individuais dos componentes.
• O teste de escalabilidade usou mensagens duplicadas sinteticamente em vez de diálogos orgânicos de longo prazo, o que pode não capturar totalmente a deriva semântica.
• O tamanho da amostra ($N=23$) é modesto, e o sistema foi testado em uma única plataforma robótica (Pepper).

A implementação pretende ser lançada como código aberto após a publicação.