💻 computer science

ARIS: Agentic and Relationship Intelligence System for Social Robots

本文介绍了 ARIS，一种模块化代理人工智能框架，它整合了多模态推理、基于图的社会世界模型以及检索增强生成技术，使社交机器人能够与用户维持具有情境根基的长期关系，并在与 Pepper 机器人的用户研究中展现出比基线模型显著更高的感知智能度和喜爱度。

原作者： Stavya Datta, Fucai Ke, Leimin Tian, Hamid Rezatofighi

发布于 2026-05-05

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Stavya Datta, Fucai Ke, Leimin Tian, Hamid Rezatofighi

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，有一种社交机器人，它不仅仅像聊天机器人那样说话，还能真正“记住”你是谁，了解你与朋友的关系，并能回想起过去的对话而不会感到不堪重负。这就是 ARIS（代理与关系智能系统）的目标，这是一种专为 Pepper 等社交机器人设计的新型“大脑”。

以下是 ARIS 工作原理的分解，使用了简单的类比：

1. 问题：“金鱼”机器人

目前的社交机器人有点像记忆极短的金鱼。它们能和你聊几分钟，但如果你和它们聊几个小时，或者你带朋友一起来，它们就会感到困惑。它们会忘记你的朋友是谁，记不住昨天聊了什么，也难以理解你和朋友是一个“团队”。如果对话太长，它们也会变得缓慢迟钝，因为它们试图一次性记住“所有”内容。

2. 解决方案：ARIS

研究人员构建了 ARIS 来解决这些问题。把 ARIS 想象成坐在机器人头脑中的一个超级有条理的个人助理。它拥有三大主要超能力：

A. “社交地图”（社交世界模型）

想象机器人有一张画在墙上的巨大、鲜活的思维导图（图）。

工作原理： 每次你见到机器人，它都会为你画一个点。如果你提到你的朋友“莎拉”，它就会为莎拉画一个点，并用一条标有“朋友”的线将这两个点连接起来。
重要性： 如果你下周回来，机器人看到的不再是一个陌生人；它会查看它的地图，看到连接你和莎拉的线，并立刻明白：“啊，这就是和莎拉常来往的人。”这使得机器人能够理解关系（如“丈夫”、“老板”或“最好的朋友”），并在多次不同的对话后依然能追踪人物。

B. “智能图书管理员”（检索增强生成）

想象机器人有一个它曾经进行过的所有对话的图书馆。

旧方式（非 RAG）： 如果你问一个问题，旧机器人会试图从头到尾阅读图书馆里的每一本书来寻找答案。如果图书馆有 10,000 本书，这需要很长时间，机器人也会感到疲惫（响应时间慢）。
ARIS 方式（RAG）： ARIS 充当智能图书管理员。当你问一个问题时，图书管理员不会通读整个图书馆。相反，他们会快速扫描书名，只抽出最相关的 20 本书（以及最近的 20 本）来给你答案。
结果： 无论存储了多少年的对话，机器人都能保持快速敏捷。它不会被海量的数据压垮。

C. “身体与眼睛”（多模态推理）

ARIS 不仅仅是盒子里的声音；它将机器人的眼睛和身体与大脑连接起来。

眼睛： 如果你戴着一顶红帽子，机器人的视觉系统会看到并告诉大脑：“嘿，他们戴着一顶红帽子。”机器人随后可以说：“我喜欢你的红帽子！”
身体： 如果你要求击掌，机器人不仅仅说“好的”；它会真正举起手臂和你击掌。
大脑： “推理器”根据当下的情况，决定何时使用眼睛、何时移动身体、何时仅仅说话。

3. 测试：它奏效了吗？

研究人员使用 Pepper 机器人与 23 人进行了测试。他们将ARIS 机器人与标准机器人（仅使用没有记忆地图或智能图书管理员的基本 AI 聊天机器人）进行了对比。

结果：

更聪明的感觉： 人们认为 ARIS 机器人明显更聪明，更具生命力。
更像人类： 人们觉得 ARIS 机器人更像人。它感觉不像机器，而更像是一个社交伙伴。
更讨人喜欢： 人们就是更喜欢 ARIS 机器人。
记忆获胜： 当参与者介绍一位伙伴时，ARIS 机器人记住伙伴的名字和关系的能力远胜于标准机器人。
速度获胜： 即使将对话历史人为扩展到数千条消息，ARIS 机器人依然保持快速，而标准机器人则慢如蜗牛。

总结

简而言之，ARIS 赋予了机器人长期记忆、人类关系地图以及搜索自身历史的智能方式。这使得机器人不再像是一个你一走开就忘记一切的工具，而更像是一个记得你的故事、认识你的朋友，并能跟上漫长而深入的对话而不感到疲惫的朋友。

技术摘要：ARIS——面向社交机器人的代理与关系智能系统

1. 问题陈述

尽管基础模型（LLM 和 VLM）通过增强感知和沟通能力提升了社交机器人技术，但现有系统在大规模多轮交互、社会关系推理以及基于上下文的对话方面仍面临关键局限。现有架构主要针对任务执行和物理操作，而非社会智能。因此，机器人在以下方面存在困难：

表征或推理个体之间的社会关系（例如：家庭成员、同事）。
由于有限的上下文窗口和日益增加的推理延迟，在密集、长期的交互中难以保持历史一致性和响应性。
在统一框架内将社会认知与物理具身相结合。

2. 方法论

作者提出了ARIS（代理与关系智能系统），这是一个模块化代理 AI 框架，旨在统一多模态推理、基于图的社会世界模型（Social World Model）以及检索增强生成（RAG）。该系统部署在**Pepper 机器人（v1.8）**上，采用边缘 - 客户端 - 服务器架构。

2.1 系统架构

边缘（机器人）： Pepper 机器人作为用户界面，负责捕获音视频流并执行物理动作（手势、舞蹈）。
客户端： 一台 Raspberry Pi 5，将音视频流封装为 gRPC 数据包进行传输。
服务器： 一台 NVIDIA RTX 4090 服务器处理输入。它利用Whisper-large-v3进行语音转录，并使用Grok 2大型语言模型（LLM）进行推理。
模块化推理引擎： 一个“推理器”模块根据上下文查询 API 库，以选择适当的动作（语音、视觉或物理具身）。

2.2 核心组件

A. 社会世界模型（SWM）

结构： 一个基于图的知识图谱（Neo4j），其中节点代表人物节点（用户），边代表关系（例如：朋友、家人）。
功能： 系统利用 LLM 从对话中提取关系线索以推断连接（例如："X 是 Y 的上级”）。它通过 Cypher 查询更新图谱，为未知用户创建新节点，或使用 Levenshtein 距离进行名称匹配来合并现有节点。
属性： 该模型存储与特定人物节点关联的用户属性（兴趣、职业），从而实现个性化交互。

B. 基于 RAG 的语音管道

设计： 为了解决上下文窗口限制和计算成本问题，ARIS 采用 RAG 管道。对话历史被存储为消息节点（用户输入 + 机器人回复），并与人物节点关联。
检索策略： 收到输入后，系统检索：
1. 最近的 20 条消息以确保即时连贯性。
2. 语义最接近的 20 条消息（使用 1536 维 OpenAI 嵌入和 HNSW 索引）以提供上下文。
3. 包含检索到的消息的直接前驱和后续消息，将总上下文上限设定为80 条消息。
执行： 检索到的上下文被输入 LLM（Grok 2）以生成回复，随后该回复被追加到图谱中。

C. 多模态集成

视觉： 当需要视觉上下文时，视觉语言模型（Grok-2-Vision）充当描述生成器。
重识别（ReID）： 一个模块通过多数投票处理 15 帧，为个人分配唯一的脸部 ID，并将其链接到 SWM 中的人物节点。

3. 主要贡献

本文概述了三项主要贡献：

面向人机交互（HRI）的社会世界模型： 一种基于图的表示法，明确映射并更新人与人之间的关系，使机器人能够追踪社会联系、在多次相遇中重新识别用户，并生成基于关系数据的上下文感知对话。
高效的 RAG 管道： 一种利用混合语义和时效性感知检索的新颖检索机制。这使得机器人能够在数千次交换中维持基于上下文的对话，同时保持有界的延迟和响应相关性。
系统集成与验证： 将这些组件统一为模块化代理架构，协调语音、视觉和物理动作。该系统在经验上针对仅 LLM 基线进行了验证。

4. 实验结果

作者进行了两项实验：一项用户研究（ $N=23$ ）和一项可扩展性模拟。

4.1 用户研究（假设 H1）

参与者以双人配对形式与机器人互动，比较ARIS 系统与仅 LLM 基线（缺乏 SWM、ReID 和物理具身）。

指标： 感知智能、生动性、拟人化和喜爱度（Godspeed 问卷）。
发现： ARIS 在所有指标上均显著优于基线：
- 拟人化： $d = 1.05$ （大效应， $p < 0.001$ ）。
- 智能： $d = 0.74$ （中等效应， $p = 0.0018$ ）。
- 生动性： $d = 0.70$ （中等效应， $p = 0.003$ ）。
- 喜爱度： $d = 0.46$ （小 - 中等效应， $p = 0.0398$ ）。
SWM 性能： 在 12 名“第二位互动”的参与者中，有 7 人被 ARIS 成功识别，9 人报告机器人“了解我的伴侣”，而基线的识别率显著较低。

4.2 RAG 与非 RAG 的可扩展性（假设 H2）

作者通过复制消息历史多达 14,000 条来模拟密集对话。

延迟： 非 RAG 管道显示出从线性到超线性的推理时间增长，在 14,000 条消息时超过10,000 毫秒。无论历史大小如何，RAG 管道将延迟保持在4,000 毫秒以下的有界范围内。
输出质量： RAG 与非 RAG 输出之间的余弦相似度为83.54%，表明选择性检索保留了与全历史访问相当的相关性响应。

5. 意义与主张

本文主张，ARIS 证明了整合具身推理和结构化记忆对于推进机器人社交互动的价值。通过统一社会推理、多模态感知和上下文检索，该系统在用户参与度和感知智能方面实现了相对于标准仅 LLM 基线的可衡量改进。

作者强调，他们的方法是具有成本效益的，仅在上下文需要时调用视觉语言模型，并限制 RAG 检索以减少 Token 消耗。他们将 ARIS 定位为迈向能够在现实环境中实现“深度对话”和持续社会意识互动的机器人的一步。

承认的局限性：

评估缺乏正式消融研究以隔离各个组件的贡献。
可扩展性测试使用了合成复制的消息，而非有机的长期对话，这可能无法完全捕捉语义漂移。
样本量（ $N=23$ ）较小，且系统仅在单一机器人平台（Pepper）上进行了测试。

该实现计划在发布时作为开源项目发布。