Using Physiological Measures, Gaze, and Facial Expressions to Model Human Trust in a Robot Partner
作者: Haley N. Green, Tariq Iqbal
分类: cs.RO
发布日期: 2025-04-07
备注: Accepted at the IEEE International Conference on Robotics and Automation (ICRA), 2025
期刊: IEEE International Conference on Robotics and Automation (ICRA), 2025
💡 一句话要点
利用生理指标、注视和面部表情建模人对机器人伙伴的信任
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 人机交互 信任建模 生理信号 眼动追踪 机器学习 多模态融合 机器人伙伴
📋 核心要点
- 现有的人机交互信任评估方法缺乏实时性和客观性，难以有效提升人机协作效率和安全性。
- 该研究提出一种基于生理指标、注视和面部表情等多模态数据融合的信任建模方法，旨在实现对人类信任的实时客观评估。
- 实验结果表明，结合多种传感器数据（血容量脉搏、皮肤电活动、皮肤温度和注视）能显著提升信任检测的准确性。
📝 摘要（中文）
随着机器人在各个领域的日益普及，为机器人配备工具以实现与人类更流畅的交互至关重要。人类信任是值得进一步探索的一个有前景的领域。一个实时的、客观的人类信任模型可以用于最大化生产力、保障安全和减轻失败。本文尝试使用生理指标、注视和面部表情来建模人对机器人伙伴的信任。我们首次设计了一个面对面的、人-机器人监督交互研究，以创建一个专门的信任数据集。利用该数据集，我们训练机器学习算法来识别最能指示对机器人伙伴信任的客观指标，从而推进人-机器人交互中的信任预测。我们的研究结果表明，传感器模态（血容量脉搏、皮肤电活动、皮肤温度和注视）的组合可以提高检测人对机器人伙伴信任的准确性。此外，Extra Trees、Random Forest和Decision Trees分类器在衡量人对机器人伙伴的信任方面表现出始终如一的更好性能。这些结果为构建人-机器人交互的实时信任模型奠定了基础，这可以促进人与机器人之间更有效的交互。
🔬 方法详解
问题定义：论文旨在解决人机交互中，如何实时、客观地评估人类对机器人伙伴的信任程度的问题。现有方法通常依赖于主观问卷调查或人工观察，缺乏实时性和客观性，难以应用于实际的人机协作场景。这些方法无法动态调整机器人的行为，从而可能导致协作效率低下甚至安全问题。
核心思路：论文的核心思路是利用多种生理传感器数据（如血容量脉搏、皮肤电活动、皮肤温度）、眼动追踪数据（注视）以及面部表情数据，构建一个多模态的信任预测模型。通过机器学习算法学习这些客观指标与人类信任程度之间的关系，从而实现对人类信任的实时、客观评估。这种方法避免了主观因素的干扰，能够更准确地反映人类的真实信任状态。
技术框架：该研究的技术框架主要包括以下几个阶段：1) 数据采集：设计人-机器人监督交互实验，收集参与者的生理数据、眼动数据和面部表情数据。2) 数据预处理：对采集到的数据进行清洗、降噪和特征提取。3) 模型训练：使用机器学习算法（如Extra Trees、Random Forest、Decision Trees）训练信任预测模型。4) 模型评估：使用独立的测试数据集评估模型的性能，并与其他基线方法进行比较。
关键创新：该研究的关键创新在于：1) 首次设计了一个专门用于人-机器人信任研究的交互式数据集。2) 提出了一种基于多模态生理数据的信任预测方法，能够实现对人类信任的实时、客观评估。3) 实验结果表明，结合多种传感器数据能够显著提升信任预测的准确性。
关键设计：论文的关键设计包括：1) 精心设计的人-机器人监督交互实验，确保能够诱导出不同程度的信任状态。2) 选择合适的生理传感器和眼动追踪设备，以获取高质量的数据。3) 采用多种机器学习算法进行模型训练，并选择性能最佳的模型。4) 采用交叉验证等方法，确保模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，结合血容量脉搏、皮肤电活动、皮肤温度和注视等多模态数据，可以显著提高人对机器人信任的检测精度。Extra Trees、Random Forest和Decision Trees等分类器表现出最佳性能。具体性能数据和对比基线在论文中进行了详细描述，证明了该方法的有效性。
🎯 应用场景
该研究成果可应用于各种人机协作场景，如工业机器人、医疗机器人、服务机器人等。通过实时监测人类对机器人的信任程度，机器人可以动态调整自身行为，例如降低速度、提供更多信息或请求人类干预，从而提高协作效率、保障安全，并最终提升用户体验。未来，该技术还可用于评估用户对AI系统的信任，从而促进更负责任的AI发展。
📄 摘要（原文）
With robots becoming increasingly prevalent in various domains, it has become crucial to equip them with tools to achieve greater fluency in interactions with humans. One of the promising areas for further exploration lies in human trust. A real-time, objective model of human trust could be used to maximize productivity, preserve safety, and mitigate failure. In this work, we attempt to use physiological measures, gaze, and facial expressions to model human trust in a robot partner. We are the first to design an in-person, human-robot supervisory interaction study to create a dedicated trust dataset. Using this dataset, we train machine learning algorithms to identify the objective measures that are most indicative of trust in a robot partner, advancing trust prediction in human-robot interactions. Our findings indicate that a combination of sensor modalities (blood volume pulse, electrodermal activity, skin temperature, and gaze) can enhance the accuracy of detecting human trust in a robot partner. Furthermore, the Extra Trees, Random Forest, and Decision Trees classifiers exhibit consistently better performance in measuring the person's trust in the robot partner. These results lay the groundwork for constructing a real-time trust model for human-robot interaction, which could foster more efficient interactions between humans and robots.