Signal or 'Noise': Human Reactions to Robot Errors in the Wild
通过一项涉及49名参与者的咖啡机器人公开实地部署研究，本研究表明，虽然在现实场景中人类对机器人错误的社交信号丰富且具有信息量，但在群体交互过程中，这些信号也表现出高度的变异性和“噪声”特征。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你在一个繁忙的咖啡馆走廊里设置了一个机器人咖啡师。你想观察当机器人出错时（比如掉落咖啡胶囊或忘记按下“冲煮”按钮），普通人会有什么反应。这篇论文就是那场实验的故事。
研究人员不仅在观察机器人，他们还在观察观察机器人的那些人。他们将人类的反应视为一种“社交传感器”，以此来判断机器人是否遇到了问题。
以下是他们发现的研究结果，使用了简单的类比：
1. 实验：野外环境中的机器人咖啡师
团队制造了一个可以自主制作咖啡的机器人。他们将它放在了一所大学的走廊里，为期三周。与人们被告知该做什么的科学实验室不同，这是在“野外”进行的。人们走过、坐下或成群结队地站立。他们可以订购咖啡，观看机器人工作，并随时离开。机器人被编程为有时会犯特定的错误，但它也会产生一些偶然的失误。
2. 主要发现：人类是“多噪”的传感器
研究人员发现，当机器人出错时，人们确实会有反应。他们并不只是茫然地盯着看；他们会做表情、大笑、指点，甚至试图在物理层面帮助机器人。
然而，论文称这些反应是**“多噪的”（Noisy）**。
- 信号（The Signal）： 这是有用的部分。例如，如果机器人掉落了一个杯子，有人说：“噢不，它把杯子掉了！”这就是一个明确的信号，表明机器人失败了。
- 噪声（The Noise）： 这是背景杂音。人们也在对他们的朋友、手机或仅仅是机器人的存在做出反应。有时他们笑是因为机器人看起来很滑稽，而不是因为它坏了。有时他们看向别处是因为他们在发短信。
类比： 想象一下，你试图在嘈杂拥挤的音乐会上听清朋友的耳语。你能听到他们的声音（信号），但同时还有音乐、其他人的交谈以及人群的声音（噪声）。研究人员发现，在现实世界中，“人群的噪声”比在安静的实验室里要大得多。
3. 群体动态：“回声室”效应
当人们单独出现时，他们的反应比较简单。但当他们在群体中时，情况变得复杂且剧烈。
- 更多信息： 群体对机器人的错误讨论得非常多。他们表现得像侦探小组，指出到底哪里出了问题（“它按得不够用力！”），并猜测原因。
- 更多噪声： 因为他们在互相交谈，所以也有很多无关的闲聊。他们可能会拿机器人开玩笑，或者在机器人工作时聊聊自己的日常生活。
- 连锁反应： 如果群体中的一个人惊呼或大笑，其他人往往也会随之反应。这就像是一种涟漪效应。
4. 重复互动：“熟悉感”的变化
研究追踪了多次回访的人员。
- 第一次： 人们感到兴奋，拍照留念，并密切观察。
- 之后多次： 随着对机器人变得熟悉，他们不再那么关注。他们会看手机或走开。
- 转折点： 如果一个人预期机器人会出错（因为之前出过错）而它这次却没有出错，他们会对这种“成功”做出反应。他们会说：“哦，这次它成功了！”这表明他们对机器人的心理模型是在不断变化的。
5. “乐于助人”的问题
发生了一件有趣的事：当机器人遇到困难时，人们经常试图帮助它。他们会伸手去抓杯子或调整胶囊。
- 陷阱： 机器人无法理解人类是在试图提供帮助。它只看到有人进入了它的工作空间，为了安全起见便停止了动作。
- 结果： 人类认为机器人坏了，而机器人认为人类是入侵者。这造成了一个混乱的循环，其中“帮助”反而导致了更多的错误。
6. 这对机器人设计意味着什么
论文的结论是，虽然人类的反应充满了有用的线索（比如有人说“好吓人，可能会烫到”），但它们也充满了干扰。
- 实验室 vs. 现实世界： 在实验室中，你可以控制环境，从而只听到“信号”。在现实世界中，你必须过滤掉“噪声”（手机、朋友、分心事物）。
- 教训： 要让机器人在现实世界中更聪明，我们不能仅仅倾听人们说了什么。我们必须理解语境（Context）。我们需要知道一个人是在盯着机器人看因为它坏了，还是因为他们在看手机。
简而言之： 论文表明，当机器人犯错时，人们的表现非常有表现力，但同时也非常容易分心。为了制造出能在公共场合良好运作的机器人，工程师需要学会如何在日常生活的“噪声”中捕捉到“信号”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。