Exploring Human-Robot Collaboration: Analysis of Interaction Modalities in Challenging Tasks

技术摘要：探索人机协作：挑战性任务中交互模式的分析

问题陈述
随着机器人日益进入医疗、物流和教育等社会环境，挑战已从单纯的任务执行转向社会可接受的协作。目前存在一个关键缺口，即缺乏对不同层级机器人主动性——具体为反应式（基于请求）与主动式（基于倡议）——如何影响用户感知、情绪状态和任务表现的理解。现有文献表明，主动行为可以增强流畅性和拟人化感知，但其他研究指出，用户可能认为此类干预令人不安或具有侵入性，更倾向于保留对干预时机的控制权。本研究旨在探究这些相互冲突的动态，以确定用户偏好哪种交互模式，以及主动式与反应式行为如何在认知和体力要求较高的协作任务中影响人类体验。

方法论
本研究采用受试者内实验设计，涉及 18 名成年参与者。核心任务要求参与者凭记忆使用乐高得宝（LEGO DUPLO）积木组装一座七层彩色塔。该任务设计为具有认知挑战性（要求记忆短暂展示的彩色序列）和体力挑战性（要求参与者站立并从桌子对面取回特定积木）。

参与者在三种不同的模式下完成任务：

1. 被动模式（PA）： 参与者独自工作，无机器人协助。
2. 反应模式（R）： 移动机器人（DJI RoboMaster EP Core）仅在收到明确口头请求时提供协助。协助内容包括取回特定积木或通过 LED 提示和语音建议正确的颜色。
3. 主动模式（PR）： 机器人在无明确请求的情况下自主干预。它会在放置新层的第一块积木后立即取回该层的第四块积木，并通过红色 LED 闪烁和语音警报提示错误（例如颜色不正确）。用户仍可以请求颜色建议。

为了确保顺利执行，同时将用户对协助时机的反应与感知鲁棒性隔离开来，研究采用了“绿野仙踪”（Wizard-of-Oz）设置，即由操作员 discreetly 远程操控机器人。数据收集包括客观绩效指标（完成时间、错误计数、请求频率）和基于 7 点李克特量表的 25 项问卷收集的主观指标。问卷评估了任务感知（难度、心理/体力需求）、情绪体验（焦虑、舒适度、控制感）以及机器人感知（信任、有用性、可靠性、交互质量）。

主要贡献

• 交互模式的比较分析： 本研究在单一实验框架内直接比较了被动、反应式和主动式三种模式，通过引入被动基线并通过记忆和体力取回要求增加任务复杂度，从而扩展了先前的工作（例如 Baraglia 等人，2017）。
• 整体评估框架： 研究将客观绩效数据与细粒度的主观评估相结合，将指标归类为“任务”、“情绪”和“机器人”分数，以评估机器人行为的多维影响。
• 人机交互中的“绿野仙踪”实施： 本研究展示了一种受控的远程操控设置，该设置模拟自主行为，以测试用户对主动支持的反应，同时规避当前自主感知系统的技术限制。

结果

• 绩效指标： 与协助会加快任务速度的假设相反，被动模式产生了最快的完成时间。反应式和主动式模式均增加了完成时间，这归因于交互开销（等待机器人运动和反馈）。然而，反应式和主动式模式之间的完成时间差异在统计上不显著。
• 主观任务感知： 与被动条件相比，参与者对主动模式下的任务评价显著更轻松，且体力需求更低。与被动条件相比，主动模式也显示出更高的准确率和更低的焦虑趋势。
• 机器人感知与偏好：
  • 偏好： 67% 的参与者偏好主动模式，78% 的人认为其最有用。
  • 信任与有用性： 与反应模式相比，主动模式在机器人有用性、可靠性和信任度方面获得了显著更高的分数。
  • 控制： 尽管偏好主动支持，但有一部分参与者（28%）偏好反应模式，理由是希望更多地控制机器人的干预。
• 情绪体验： 虽然情绪分数在主动条件下仅显示出相对于被动条件的边际统计改善，但总体趋势表明，在受助交互期间情绪状态更为积极。

意义与主张
该论文主张，在受控的协作任务中，及时的主动支持可以显著改善用户体验，即使它并未提高客观效率。结果表明，用户愿意为了减少体力消耗和增强交互质量而牺牲任务完成速度。研究得出结论，在此背景下，主动式机器人通常被视为有益且非侵入性的，这挑战了用户普遍偏好严格掌控干预时机的观点。

然而，作者保持了谦逊的立场，承认样本量较小（N=18）以及实验设置的具体限制。他们提出，虽然主动行为在此受控环境中有益于用户体验，但未来研究需要在更复杂、动态的场景中以及在具有不同先前机器人经验水平的多样化用户群体中验证这些发现。这项工作支持设计能够主动参与同时保持透明度和用户自主权的辅助机器人，但强调需要自适应模式以适应协作风格中的个体差异。