评估脚本化与 LLM 增强的人机机器人交互中的效率与参与度

为实现与人类自然直观的交互，HRI 框架综合了人类感知、意图通信、人类感知导航和协作动作等多种方法。实际情况下，当遇到人类不可预测行为或环境意外状态时，这些框架可能缺乏动态识别此类状态的能力，无法适应和恢复以继续交互。大型语言模型 (LLM) 由于其先进的推理能力和情境保持能力，为增强机器人适应性提供了前景。但这种潜力并不直接转化为改进的交互指标。本文考虑一个代表性的人机交互，涉及approach、指令和物体操作，分别在两种条件下实现：(1) 完全脚本化 (2) 包括 LLM 增强响应。我们使用注视跟踪和问卷调查来衡量参与者的任务效率、参与度和机器人感知。结果表明，LLM 条件的主观评分更高，但客观指标显示脚本化条件在效率和专注度方面尤其在简单任务中相当。我们还注意到，对于简单和重复的交互，脚本化条件在响应延迟和能源消耗方面可能具有优势。