SensHRPS: Sensing Comfortable Human-Robot Proxemics and Personal Space With Eye-Tracking
作者: Nadezhda Kushina, Ko Watanabe, Aarthi Kannan, Ashita Ashok, Andreas Dengel, Karsten Berns
分类: cs.RO, cs.AI, cs.HC
发布日期: 2025-12-09 (更新: 2025-12-10)
💡 一句话要点
SensHRPS：利用眼动追踪感知舒适的人机近距离交互和个人空间
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 人机交互 眼动追踪 舒适度评估 社交机器人 个人空间
📋 核心要点
- 现有方法难以准确评估人机交互中用户的舒适度，尤其是在近距离交互时，缺乏对生理指标的有效利用。
- 该研究利用眼动追踪技术，通过分析用户的注视特征，预测用户在与机器人互动时的舒适度，关注生理舒适度阈值。
- 实验结果表明，决策树分类器在预测舒适度方面表现最佳（F1-score = 0.73），最小瞳孔直径是最关键的预测指标。
📝 摘要（中文）
社交机器人必须适应人类的近距离规范，以确保用户的舒适度和参与度。虽然先前的研究表明，眼动追踪特征可以可靠地估计人际互动中的舒适度，但它们在与人形机器人互动中的适用性仍未得到探索。在本研究中，我们使用移动眼动追踪和主观报告（N=19），研究了用户在四种实验控制距离（0.5米至2.0米）下与机器人“Ameca”互动时的舒适度。我们评估了多种机器学习和深度学习模型，以根据注视特征估计舒适度。与之前Transformer模型表现出色的人际研究相反，决策树分类器取得了最高的性能（F1-score = 0.73），其中最小瞳孔直径被确定为最关键的预测指标。这些发现表明，人机交互中的生理舒适度阈值与人际动态不同，并且可以使用可解释的逻辑有效地建模。
🔬 方法详解
问题定义：论文旨在解决人机交互中，机器人如何感知并适应人类的个人空间和近距离规范，从而提升用户舒适度的问题。现有方法主要集中在人际互动的研究，缺乏对人机交互特性的考虑，难以准确评估用户在与机器人互动时的舒适程度。
核心思路：论文的核心思路是利用眼动追踪技术，通过分析用户的注视行为和生理反应（如瞳孔直径），来推断用户在不同距离下与机器人互动时的舒适度。这种方法基于眼动数据能够反映个体的情绪和认知状态，从而为机器人提供感知用户舒适度的有效途径。
技术框架：整体框架包括数据采集和模型训练两个主要阶段。首先，通过移动眼动追踪设备收集用户在不同距离下与机器人Ameca互动时的眼动数据和主观舒适度报告。然后，利用这些数据训练多种机器学习和深度学习模型，包括决策树、Transformer等，以预测用户的舒适度。最后，评估不同模型的性能，并分析关键的眼动特征。
关键创新：该研究的关键创新在于将眼动追踪技术应用于人机交互舒适度评估，并发现人机交互中的舒适度阈值与人际互动存在差异。此外，研究结果表明，相比于在人际互动中表现优异的Transformer模型，决策树分类器在人机交互中表现更好，这表明人机交互的舒适度评估可能更依赖于可解释的逻辑。
关键设计：实验中控制了机器人与用户之间的距离（0.5m到2.0m），并使用移动眼动追踪设备记录用户的眼动数据，包括注视位置、注视时长、瞳孔直径等。同时，通过主观问卷收集用户对舒适度的自我评估。在模型训练方面，研究比较了多种机器学习和深度学习模型，并使用F1-score作为评估指标。最小瞳孔直径被确定为最重要的特征。
🖼️ 关键图片
📊 实验亮点
实验结果表明，决策树分类器在预测用户与机器人Ameca互动时的舒适度方面表现最佳，F1-score达到0.73。与以往人际互动研究中Transformer模型的优异表现不同，该研究发现最小瞳孔直径是预测人机交互舒适度的最关键指标，这表明人机交互与人际互动在舒适度感知方面存在差异。
🎯 应用场景
该研究成果可应用于各种人机交互场景，例如社交机器人、服务机器人、远程医疗和虚拟现实等。通过感知用户的舒适度，机器人可以动态调整其行为，例如调整距离、改变语调或提供个性化服务，从而提高用户的满意度和信任度。此外，该研究还可以为机器人设计提供指导，帮助开发者设计更符合人类需求的机器人。
📄 摘要（原文）
Social robots must adjust to human proxemic norms to ensure user comfort and engagement. While prior research demonstrates that eye-tracking features reliably estimate comfort in human-human interactions, their applicability to interactions with humanoid robots remains unexplored. In this study, we investigate user comfort with the robot "Ameca" across four experimentally controlled distances (0.5 m to 2.0 m) using mobile eye-tracking and subjective reporting (N=19). We evaluate multiple machine learning and deep learning models to estimate comfort based on gaze features. Contrary to previous human-human studies where Transformer models excelled, a Decision Tree classifier achieved the highest performance (F1-score = 0.73), with minimum pupil diameter identified as the most critical predictor. These findings suggest that physiological comfort thresholds in human-robot interaction differ from human-human dynamics and can be effectively modeled using interpretable logic.