HiBRIDGE: A Hierarchical Bayesian Neural Network Framework for Interpretable Dialogue Management in Group-Robot Interaction

想象一下，一个机器人走进一个已有三个人正在交谈的房间。为了加入对话而不引起混乱或尴尬，机器必须做出瞬时的决策：它应该对谁说话，以及应该说什么？它是应该向左边的人提问以延续话题？还是向全组人讲个笑话？亦或是仅仅保持倾听？在人机交互这个复杂的领域中，很少有唯一的“正确答案”。多个选项可能同时看起来都是合理的，而正确的举措完全取决于时刻变化的语境。对于机器人要在这些群体场景中成为真正的伙伴，它需要的不仅仅是一个剧本；它需要一种权衡这些可能性、从有限经验中学习，并以人类能够理解的方式解释其选择的方法。

这正是由一组研究人员开发的名为 HiBRIDGE 的新系统所解决的挑战。他们的工作聚焦于社交机器人的“大脑”——即决定机器人在群体中如何表现的部分。研究人员并没有依赖于一个试图一次性猜测完美反应的庞大计算过程，而是将决策分解为更小的逻辑步骤。他们构建了一个系统，该系统首先决定机器人是否应该开口说话，然后决定是针对全组人还是仅针对某一个人，最后决定说出什么样的内容，例如提出问题或发表陈述。至关重要的是，他们设计这个系统来处理不确定性。因为现实世界的交互是混乱的，且数据难以收集，该系统使用了一种承认自己可能无法 100% 确定答案的方法，从而使其即使在样本量较少的情况下也能有效地学习。

研究人员使用三种不同的录制对话场景测试了这个新框架。在一种情景中，机器人通过测验和笑话来娱乐商场里的购物者；在另一种情景中，它在医院的记忆诊所回答问题；在第三种情景中，它帮助协调室友之间的谈判游戏。当他们将这个新系统与包括由大型语言模型驱动的现有方法进行比较时，HiBRIDGE 的表现更为出色。在任务困难且数据稀缺时，它在预测正确行为方面特别有效。研究发现，这种将机器人的决策视为一系列概率步骤（本质上是权衡不同结果的概率）的方法，始终优于那些试图进行单一、固定预测的系统。这表明，承认不确定性实际上能让机器人在不可预测的社交场合中变得更加聪明。

除了提高准确性之外，团队还想知道这种分步结构是否让机器人更容易被理解。为了测试这一点，他们进行了一项包含 20 名参与者的在线研究。他们向人们展示了机器人互动的视频片段，并提供了关于机器人为何采取某种行为的解释。其中一些解释来自新的结构化系统，而另一些则来自一个更简单的、“扁平化”的系统（该系统一次性做出所有决策）。结果显示出明显的偏好：人们发现来自结构化系统的解释更有帮助且更容易理解。当被要求在两者之间做出选择时，参与者一致选择了那些揭示了机器人中间思维过程的解释，例如“机器人决定向全组人提问，是因为对话陷入了停滞”。这表明，展示决策背后的“为什么”，而不仅仅是最终结果，有助于人类信任并理解机器。

为了观察这在现实世界中是否奏效，研究人员构建了一个全自主机器人，并在面对面的环境下与 12 个人进行了测试。该机器人配备了摄像头和麦克风，倾听小组对话，决定何时发言，然后生成自己的语言和手势。研究发现，该系统可以实时流畅运行。参与者评价机器人的行为是得体且有用的，无论机器人使用的是复杂的结构化决策模型还是较简单的版本。虽然结构化模型在每一项评分指标上都没有在统计学上显著优于简单版本，但它在管理对话流和包含所有人方面，始终被感知为略好一些。这项现实世界的测试证明，这个新框架不仅是一个理论练习，更是一个可以在机器人上运行的实用工具，能够在保持自然且迷人的存在感的同时做出瞬时的决策。

这项工作凸显了我们在设计智能机器时的双重益处。这种处理不确定性的数学方法有助于机器人在数据有限（这在现实世界机器人领域很常见）的情况下学习得更快、表现得更好。同时，决策过程的这种分步结构为机器人的思维提供了一个清晰的窗口，使其行为对与之互动的人来说更加透明。通过结合这两个元素，研究人员创造了一个基础，使机器人不仅能够应对复杂的社交群体，还能以一种感觉逻辑严密且符合人类逻辑的方式解释其选择。这使该领域更接近于这样一个未来：机器人不仅是以工具的形式参与我们的对话，更是作为可以理解的伙伴参与其中。