作为人机交互中零样本人类模型的大语言模型

人类模型在人-机器人交互 (HRI) 中起着关键作用，使机器人能够考虑其行动对人的影响并相应地规划其行为。然而，构建良好的人类模型具有挑战性；捕捉依赖于上下文的人类行为需要大量的先验知识和/或大量的交互数据，而这两者都难以获取。在这项工作中，我们探索了大型语言模型 (LLM)——其已消耗海量人类生成的文本数据——作为 HRI 中零样本人类模型的潜力。我们在三个社交数据集上的实验产生了有前景的结果；这些 LLM 能够取得与专门构建的模型相当的性能。也就是说，我们也讨论了当前的局限性，例如对提示的敏感性和空间/数值推理错误。基于我们的发现，我们展示了如何将基于 LLM 的人类模型集成到社交机器人的规划过程中并应用于 HRI 场景。具体而言，我们展示了一个基于信任的桌面清理任务的案例研究，并复现了过去依赖定制模型的结果。接下来，我们进行了一项新的机器人餐具传递实验 (n = 65)，初步结果表明，使用基于 LLM 的人类模型进行规划可以比基本的短视规划取得改进。总之，我们的结果表明 LLM 为 HRI 中的人类建模提供了一种有前景（但不完整）的方法。