面向社交导航机器人感知的因果方法：预测与改进
机器人学
2026-03-13 v1
摘要
随着移动机器人在人类环境中的部署增加，预测人们对其感知方式变得至关重要，以实现社交适应性导航。预测感知具有两个主要挑战：(1) HRI 预测模型必须从有限数据中学习；(2)获得的模型必须具有可解释性，以实现安全有效的交互。当机器人被感知为不专业时（例如突然停止或转向目标之外），可解释性尤为重要，这需要机器人能够解释其推理并识别可调制因素以改进性能，因而需要因果而非关联推理。为此，我们提出一种面向预测人们对移动机器人专业性及其导航意图解释方式的因果贝叶斯网络。此外，我们引入一种新方法，通过联合搜索改进感知到的机器人专业性，该方法以所提出的因果模型为指导，以识别更佳的导航行为。我们的方法提升了可解释性，生成反事实机器人运动，同时实现了与 SOTA 方法相当或更好的预测性能，在二元比例上分别达到 0.78 和 0.75 的 F1 分数。为进一步评估该方法提升感知专业性的能力，我们进行了在线评估，用户在 5 分制 Likert 比例上对机器人行为进行评分。我们的方法在感知低专业性机器人行为方面实现了统计显著提升，提升幅度为 83%。
引用
@article{arxiv.2603.11290,
title = {A Causal Approach to Predicting and Improving Human Perceptions of Social Navigation Robots},
author = {Maximilian Diehl and Nathan Tsoi and Gustavo Chavez and Karinne Ramirez-Amaro and Marynel Vázquez},
journal= {arXiv preprint arXiv:2603.11290},
year = {2026}
}
备注
8 pages, to be submitted to RA-L