Towards Considerate Embodied AI: Co-Designing Situated Multi-Site Healthcare Robots from Abstract Concepts to High-Fidelity Prototypes
作者: Yuanchen Bai, Ruixiang Han, Niti Parikh, Wendy Ju, Angelique Taylor
分类: cs.HC, cs.AI, cs.RO
发布日期: 2026-02-03
备注: To appear in Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems (CHI 2026)
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
通过共创设计，为多场景医疗机器人打造更周到的具身AI
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 具身AI 共创设计 医疗机器人 人机协作 原型设计 用户体验 多学科协作
📋 核心要点
- 现有具身AI共创设计研究缺乏长期性与多场景覆盖，限制了方案的通用性和对参与者想法演变的理解。
- 论文提出一种迭代共创设计方法，通过教育支架支持，从抽象概念到高保真原型，促进参与者理解权衡并生成可部署方案。
- 通过14周的多学科研讨会，在急诊科等三个医疗场景验证了该方法，并总结了八项具身AI共创设计指导原则。
📝 摘要（中文）
共创设计对于将具身人工智能（AI）系统应用于现实世界，尤其是在医疗等高风险领域至关重要。虽然以往的研究探索了多学科协作、迭代原型设计以及对非技术参与者的支持，但很少有人将这些要素融入到持续的共创设计过程中。这些研究通常针对单一场景和低保真阶段，限制了研究结果的通用性，并模糊了参与者想法的演变过程。为了解决这些局限性，我们与一个由22名参与者组成的多学科团队进行了为期14周的研讨会，重点讨论了具身AI如何在急诊科、长期康复机构和睡眠障碍诊所这三个医疗环境中减少非增值任务的负担。我们发现，在教育支架的支持下，从抽象的头脑风暴到高保真原型的迭代进展，使参与者能够理解现实世界的权衡，并生成更易于部署的解决方案。我们提出了八项指导原则，用于共同设计更周到的具身AI：适应环境、响应社会动态、关注期望以及立足于部署。
🔬 方法详解
问题定义：现有具身AI共创设计方法通常关注单一医疗场景和低保真原型阶段，缺乏对不同场景的泛化能力，难以捕捉参与者在设计过程中的想法演变，导致最终方案可能不够周到，难以实际部署。现有方法未能充分考虑医疗环境的复杂性和社会动态，以及用户对AI的期望。
核心思路：论文的核心思路是通过一个长期的、多场景的共创设计过程，让参与者（包括医护人员、患者等）从抽象概念出发，逐步迭代到高保真原型。通过教育支架的辅助，帮助参与者理解不同设计选择的权衡，从而设计出更周到、更易于部署的具身AI解决方案。这种迭代过程能够更好地捕捉参与者的想法演变，并将其融入到设计中。
技术框架：该研究采用了一个为期14周的研讨会形式，参与者来自多个学科。研讨会分为几个阶段： 1. 需求分析：在不同医疗场景（急诊科、长期康复机构、睡眠障碍诊所）中识别非增值任务。 2. 头脑风暴：针对识别出的问题，进行抽象的头脑风暴，提出可能的解决方案。 3. 原型设计：将抽象的想法转化为低保真原型，并进行用户测试。 4. 迭代改进：根据用户反馈，迭代改进原型，逐步提高保真度。 5. 部署考量：考虑实际部署中的各种因素，如伦理、安全、成本等。
关键创新：该研究的关键创新在于： 1. 长期、多场景的共创设计过程：克服了以往研究的局限性，提高了方案的通用性和可部署性。 2. 教育支架：帮助参与者理解现实世界的权衡，促进了更周到的设计。 3. 八项指导原则：为未来的具身AI共创设计提供了实践指导。
关键设计：论文没有详细描述具体的参数设置、损失函数或网络结构等技术细节，因为其重点在于共创设计的方法论，而非具体的AI算法。关键的设计在于研讨会的组织形式、教育支架的内容，以及如何引导参与者从抽象概念到高保真原型的迭代过程。教育支架可能包括关于AI伦理、医疗流程、用户体验等方面的知识。
🖼️ 关键图片
📊 实验亮点
该研究通过14周的多学科研讨会，在三个不同的医疗场景中验证了共创设计方法的有效性。研究结果表明，通过迭代原型设计和教育支架的支持，参与者能够更好地理解现实世界的权衡，并生成更易于部署的解决方案。论文总结的八项指导原则为未来的具身AI共创设计提供了宝贵的经验。
🎯 应用场景
该研究成果可应用于各种需要人机协作的复杂环境，尤其是在医疗、养老等领域。通过共创设计，可以开发出更符合用户需求、更易于接受的具身AI系统，从而提高工作效率、改善用户体验，并最终提升服务质量。未来的研究可以进一步探索如何将共创设计方法与具体的AI算法相结合，以实现更智能、更人性化的具身AI。
📄 摘要（原文）
Co-design is essential for grounding embodied artificial intelligence (AI) systems in real-world contexts, especially high-stakes domains such as healthcare. While prior work has explored multidisciplinary collaboration, iterative prototyping, and support for non-technical participants, few have interwoven these into a sustained co-design process. Such efforts often target one context and low-fidelity stages, limiting the generalizability of findings and obscuring how participants' ideas evolve. To address these limitations, we conducted a 14-week workshop with a multidisciplinary team of 22 participants, centered around how embodied AI can reduce non-value-added task burdens in three healthcare settings: emergency departments, long-term rehabilitation facilities, and sleep disorder clinics. We found that the iterative progression from abstract brainstorming to high-fidelity prototypes, supported by educational scaffolds, enabled participants to understand real-world trade-offs and generate more deployable solutions. We propose eight guidelines for co-designing more considerate embodied AI: attuned to context, responsive to social dynamics, mindful of expectations, and grounded in deployment. Project Page: https://byc-sophie.github.io/Towards-Considerate-Embodied-AI/