多用户人机交互中的个人化：基于渐进论证解决偏好冲突

尽管人机交互中的个人化研究取得了显著进展，但大多数现有方法仅关注单用户适应，忽略了涉及多个有潜在冲突偏好的利益相关者的场景。为此，我们提出了多用户偏好定量双极论证框架 (MUP-QBAF)，这是一种基于定量双极论证框架 (QBAFs) 的新型多用户个人化框架，显式地建模和解决多用户偏好冲突。不同于论证框架中通常假设静态输入的先前工作，本方法专为机器人设计：它整合了用户的论证以及机器人对环境的动态观察，使系统能够随时间适应并响应不断变化的上下文。正面和负面的偏好作为论证表示，其强度基于新信息进行迭代重计算。本文呈现框架的性质和能力，并通过一个真实案例进行验证，其中助理机器人在体格检查任务中调解照护者和受助者之间相互冲突的偏好。该评估还包括对论证基分数的敏感性分析，表明偏好结果如何受用户输入和上下文观察的影响。通过提供一种透明、结构化且具有上下文敏感性的方法来解决竞争用户偏好，本工作推进了多用户 HRI 领域。它为机器人在真实世界环境中导航冲突提供了原则方法，作为数据驱动方法的替代方案。