机器水平与运动可读性对人类纠错反馈影响的研究

随着机器人部署的日益普及，人们可能更多地承担监督机器人（即纠正其错误）的角色，而非直接教授机器人。在学习纠错（Learning from Corrections, LfC）的 prior 工作中，已依赖三个关键假设来解释人类反馈：（1）只有在任务目标出现显著偏差时，人们才会纠正机器人；（2）人们能够准确预测是否需要纠正；（3）在给出纠正时，人们在精度和物理 effort 之间进行权衡。本文研究了两种关键因素（机器人水平与运动可读性）如何影响人们提供纠错反馈的方式及其对上述假设的影响。我们在 LfC 设置下进行了为期 N=60 的用户研究，参与者监督并纠正机器人完成 pick-and-place 任务。我们发现，在运动可读性（p=0.0015）和可预测性（p=0.0055）下，人们对高度专业化的机器人的次优行为更敏感；此外，人们在监督不专业化的机器人时倾向于压抑必要的纠正（p < 0.0001），而在监督高度专业化的机器人时则更倾向于提供不必要的纠正（p = 0.0171）。我们还发现，物理 effort 与纠正精度正相关，这一发现为支持该常见假设提供了实证依据。我们还发现，这一相关性在不专业化且运动可读性较好的机器人与不专业化且运动可预测性较好的机器人之间显著弱一些（p = 0.0075）。我们的发现为在设计机器人交互行为和从纠正中学习任务目标时考虑机器人水平与可读性提供了洞见。