💻 computer science

Warmth and Competence in the Swarm: Designing Effective Human-Robot Teams

该研究基于能力 - 热情框架，通过两项实验发现机器人集群的广播时长和分离距离分别显著影响人类对其热情与能力的感知，且这些社会感知比任务表现更能预测人类对机器人团队的偏好，从而强调了在人机协作设计中兼顾技术性能与社会心理因素的重要性。

原作者： Genki Miyauchi, Roderich Groß, Chaona Chen

发布于 2026-04-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Genki Miyauchi, Roderich Groß, Chaona Chen

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

这篇论文探讨了一个非常有趣的问题：当一群机器人像“蜂群”或“鱼群”一样协同工作时，人类会如何看待它们？是觉得它们“聪明能干”，还是觉得它们“亲切友好”？

为了让你更容易理解，我们可以把这群机器人想象成一支正在执行任务的“外卖配送队”，而人类则是观察员或者新加入的配送员。

以下是这篇论文的核心内容，用通俗易懂的语言和比喻为你解读：

1. 核心概念：两个维度的“人设”

在心理学中，我们评价一个人或一个团队，通常看两个维度：

能力 (Competence)：就像评价一个员工“干不干活、厉不厉害”。
温暖 (Warmth)：就像评价一个员工“友不友好、愿不愿意帮忙”。

以前的研究多关注单个机器人（比如一个送餐机器人），但这篇论文关注的是一群机器人（Swarm）。作者想知道：这群机器人怎么动，会影响人类对它们“人设”的看法吗？

2. 实验设计：两种角色

作者做了两个实验，让参与者扮演两种不同的角色：

实验一（旁观者）：你坐在屏幕前，像看动画片一样看一群机器人找目标。
实验二（操作者）：你亲自加入队伍，控制其中一个机器人，和其他机器人一起找目标。

3. 关键发现：什么行为让人“觉得好”？

作者通过调整机器人的三个“性格参数”（速度、队形间距、广播时间），发现了一些有趣的规律：

🌟 温暖感 (Warmth) 来自“乐于助人”

比喻：想象一下，如果一个外卖员发现了一个新地址，他不仅自己跑过去，还停下来大声喊：“嘿，大家快来看，这里有个新订单！”
发现：机器人广播信息的时间越长（即它们花更多时间互相分享发现的目标位置），人类就觉得它们越温暖、越友好。
原因：这让人觉得它们有“团队精神”，愿意帮助队友，而不是只顾自己。

🧠 能力感 (Competence) 来自“井井有条”

比喻：想象一群士兵在行进。如果它们挤成一团，显得乱糟糟；如果它们保持适当的距离，排成整齐的方阵，看起来就很有纪律、很专业。
发现：机器人之间保持的距离越远（队形越分散），人类就觉得它们越能干、越聪明。
原因：分散的队形让人觉得它们能覆盖更大的区域，探索能力更强，显得更有组织性。

🚫 速度不重要？

反直觉发现：机器人跑得快慢（速度参数），完全不影响人类觉得它们是否温暖或能干。
启示：哪怕机器人跑得再快，如果它们像无头苍蝇一样乱撞，或者只顾自己跑，人类也不会觉得它们“好”。

4. 最惊人的结论：人类更看重“感觉”，而不是“效率”

这是论文最颠覆的一点。

传统想法：我们选队友，肯定选干活最快的，对吧？
论文发现：不是！ 人类在选择想和哪个机器人组队时，“温暖”和“能力”的感知比“完成任务的速度”重要得多。
比喻：这就好比找工作。如果两个公司，A 公司工资高但老板冷冰冰、不关心员工；B 公司工资普通但团队氛围好、老板很热心。很多人其实更倾向于选择 B 公司。
结果：即使某个机器人团队完成任务慢了一点，但只要它们看起来“很团结、很友好”，人类还是更愿意和它们合作。

5. 旁观者 vs. 参与者

当你只是看（旁观者）和当你亲自参与（操作者）时，你对机器人的整体评价（谁温暖、谁能干）是一致的。
但是，当你亲自加入后，你的感受会发生微调。比如，原本觉得特别完美的团队，你加入后可能会觉得它们稍微没那么完美了（可能是因为你自己操作时发现了困难）；而原本觉得一般的团队，你加入后可能会觉得它们其实还不错。
总结：无论你是否参与，机器人表现出的“性格”（通过距离和广播时间体现）是稳定的。

6. 这对未来意味着什么？

这篇论文给机器人设计师提了一个醒：
在设计机器人团队时，不要只盯着“怎么让它们跑得更快”。

如果你想让人类喜欢并信任你的机器人团队，你要让机器人多花点时间互相“喊话”分享信息（显得温暖）。
你要让机器人保持适当的距离，不要挤在一起（显得能干）。

一句话总结：
未来的机器人团队，不仅要跑得快，更要懂得**“互相帮忙”和“保持队形”。因为对人类来说，一个既温暖又靠谱的机器人团队，比一个虽然跑得快但冷冰冰**的团队更值得信任和合作。

这是一份关于论文《Warmth and Competence in the Swarm: Designing Effective Human-Robot Teams》（群体中的温暖与能力：设计高效的人机团队）的详细技术总结。

1. 研究背景与问题 (Problem)

随着机器人群（Swarm Robotics）越来越多地与人类协作，理解人类如何感知机器人团队对于设计高效的人机团队至关重要。

现有研究的局限： 先前的研究主要集中在个体机器人的社会感知（如信任、意图），或者侧重于优化机器人群体的客观性能指标（如任务完成时间）。
核心问题： 人类如何感知机器人团队（而非个体）的社会特征？具体而言，基于社会心理学中的“温暖（Warmth）”与“能力（Competence）”框架，机器人集群的行为参数（如速度、间距、信息广播）如何影响人类的感知？此外，人类作为观察者与作为团队成员（直接控制其中一只机器人）时，这种感知是否存在差异？
研究缺口： 目前尚不清楚社会感知维度是否适用于机器人集群，以及这些感知是否比客观的任务性能更能预测人类对机器人团队的选择偏好。

2. 方法论 (Methodology)

研究通过两个实验（Study 1 和 Study 2）系统性地操纵机器人集群的行为参数，并测量人类的社会感知。

2.1 实验设置与仿真

仿真环境： 使用 ARGoS 模拟器，构建了一个由 10 个 e-puck 机器人组成的同质集群。
任务： 集群需在限定区域内协作搜索并进入一个随机出现的圆形目标区域。
行为模式： 机器人执行三种行为：
1. 探索 (Explore)： 弹道运动，遇到障碍物旋转。
2. 分享目标 (Share target)： 发现目标后，通过局部通信向邻居广播位置，持续 $T$ 秒。
3. 移向目标 (Move to target)： 基于虚拟势场力 flocking 运动，聚集到目标区域。
关键参数操纵： 研究系统性地改变了三个核心参数，生成了 125 种不同的集群配置：
- 速度 ( $v$ )： 5.0 - 15.0 cm/s
- 分离距离 ( $d$ )： 4 - 36 cm (机器人间的保持距离)
- 广播持续时间 ( $T$ )： 0 - 16 秒 (发现目标后广播信息的时长)
性能指标： 所有机器人到达目标区域所需的时间（越短越好）。

2.2 用户界面 (SwarmUI)

开发了名为 SwarmUI 的开源用户界面，支持人机协作。
在 Study 2 中，参与者通过 Web 插件直接控制集群中的一只机器人（“你”），其余机器人由系统自主控制。

2.3 实验设计

Study 1 (观察者模式)： 90 名在线参与者观看机器人集群完成任务的视频，对集群的温暖度（友好、合作）、能力（能干、高效）进行 7 点量表评分，并表达团队偏好。
Study 2 (操作者模式)： 16 名参与者在实验室亲自控制一只机器人参与任务。在 20 轮实验中，参与者对团队进行评分（温暖度、能力、共同努力感）。
分组策略： 基于 Study 1 的结果，将集群分为四个象限（高温暖/高能力、低温暖/高能力等），用于 Study 2 的对比。

3. 主要贡献 (Key Contributions)

人机集群交互中的社会感知框架： 首次将“温暖 - 能力”框架应用于机器人集群行为研究，证实了集群行为能引发稳定的社会感知。
人类参与度的影响： 揭示了人类作为观察者或团队成员时，对集群行为的感知既具有一致性（整体模式相似），又具有动态性（直接参与会微调感知）。
社会感知优于客观指标： 证明了在团队偏好选择中，社会感知（温暖和能力）的预测力显著强于客观任务性能（完成时间）。
设计指南： 提供了具体的参数指导，即如何通过调整广播时长和分离距离来塑造特定的社会感知。
开源工具： 发布了 SwarmUI，作为未来人机集群交互研究的开源工具。

4. 关键结果 (Results)

4.1 参数对社会感知的影响

通过线性混合效应模型 (LME) 分析发现：

温暖度 (Warmth)： 显著受广播持续时间 ( $T$ ) 影响。广播时间越长，感知到的温暖度越高（被解读为机器人之间在“互助”和“分享”）。速度对温暖度无显著影响。
能力 (Competence)： 显著受分离距离 ( $d$ ) 影响。分离距离越大（分布越分散），感知到的能力越高（被解读为探索能力更强）。速度对能力感知无显著影响。
交互作用： 参数之间无显著交互作用。

4.2 团队偏好预测

Study 1 结果： 团队偏好主要由温暖度 ( $\beta=0.74$ ) 和能力 ( $\beta=0.92$ ) 预测，而任务性能（完成时间）的预测力较弱 ( $\beta=0.12$ )。
结论： 人类更倾向于选择那些既温暖又能力的机器人团队，而不是完成任务最快的团队。

4.3 观察者 vs. 操作者

一致性： 无论是观察还是直接控制，高温暖/高能力集群的相对排名基本保持一致。
动态变化： 当参与者成为团队成员（Study 2）时，感知发生了偏移：
- 原本“高温暖/高能力”的集群，在直接参与后，其温暖和能力评分下降了。
- 原本“低温暖/低能力”的集群，在直接参与后，评分上升了。
- 这表明直接参与改变了人类对集群行为的归因和感受，但并未改变参数与感知之间的基本映射关系。

5. 意义与启示 (Significance)

设计哲学转变： 机器人集群的设计不能仅追求效率（速度、完成时间），必须将社会感知纳入核心设计考量。
具体设计建议：
- 若要提升温暖感：增加信息广播的持续时间，表现出协作和利他行为。
- 若要提升能力感：保持较大的机器人间分离距离，展现分布式的探索能力。
- 速度并非提升社会感知的关键因素。
人机协作的未来： 为了建立信任和有效的协作，未来的机器人系统应优先设计那些能传达“温暖”和“合作意图”的行为模式，而不仅仅是优化任务指标。
理论扩展： 将个体层面的社会心理学理论成功扩展到了群体机器人（Swarm）层面，证明了群体行为同样能触发人类的社会认知机制。

总结

该论文通过严谨的实验设计，量化了机器人集群行为参数（速度、间距、广播时长）对人类“温暖”与“能力”感知的影响。研究结果表明，社会感知比任务性能更能决定人类对机器人团队的选择。这一发现为设计更自然、更受人类欢迎的机器人集群系统提供了重要的理论依据和工程指导。