机器人人格生成与基于人格塑造的自适应人机交互

我们提出了一种新型框架，用于设计具备情感敏捷性、动态人格和记忆化学习能力的机器人，旨在在符合共享社会认知的前提下，实现与人类的自适应且非确定性交互。虽然现有工作主要聚焦于情感识别和静态响应系统，但许多方法依赖情感分析和动作映射框架，这些框架预先定义且维度有限、配置固定，缺乏动态人格特质和记忆驱动适应性。其他系统常受限于表达模式有限，无法在人类行为与机器人主动物理动作之间建立因果关系，导致在复杂动态交互中适应性受限、响应性降低。我们的 метод论整合了大五人格特质、评估理论以及基于大语言模型（LLM）的抽象记忆层。LLM根据大五人格生成参数化机器人人格，处理人类语言与情感，依据评估理论评估人类行为，生成情绪并选择随历史语境演变而适应的恰当动作。我们通过在相同背景情境中测试三个具有不同人格的机器人，验证了该框架，发现人格、评估与记忆影响人机交互的适应性。通过消融实验进一步验证了各组成部分的影响。我们得出结论，该系统使机器人能够与用户进行有意义且个性化的交互，具有在宠物机器人、助理机器人、教育机器人及协作功能机器人等领域中培育量身定制关系、丰富用户体验的重要潜力。