Do Robots Need Body Language? Comparing Communication Modalities for Legible Motion Intent in Human-Shared Spaces

📄 arXiv: 2604.03451 📥 PDF

作者: Jonathan Albert Cohen, Kye Shimizu, Allen Song, Vishnu Bharath, Kent Larson, Pattie Maes

分类: cs.RO, cs.CY, cs.HC

发布日期: 2026-04-07

💡 一句话要点

研究不同沟通方式对四足机器人运动意图表达的影响，提升人机共享空间安全性。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人机交互 机器人运动意图 沟通模式 四足机器人 导航 信任度 表达性运动

📋 核心要点

  1. 现有机器人运动难以被人类解读，增加了人类适应的负担，尤其是在人机共享空间中。
  2. 本研究对比了多种沟通方式（运动、灯光、文本、音频）对人类理解机器人导航意图的影响。
  3. 实验评估了不同信号模式对预测准确性、置信度和信任度的影响，为机器人设计提供了参考。

📝 摘要（中文）

本研究探讨了在人机共享空间中，不同信号模式如何影响人们对四足机器人（Boston Dynamics Spot）导航意图的理解。由于高自由度机器人运动的复杂性，人们对其运动的解读可能带有主观性。我们通过在线视频研究，评估了包括表达性运动、灯光、文本和音频等多种信号模式，在四种常见场景下，对人类预测机器人导航行为的准确性、预测置信度以及对机器人安全信任度的影响。研究对比了隐式和显式信号策略的有效性，以及对齐和冲突的多模态线索如何影响用户的置信度和信任度。本研究为机器人运动意图表达方式的选择提供了初步的实验证据。

🔬 方法详解

问题定义：在人机共享空间中，机器人，尤其是高自由度机器人，其运动方式复杂，人类难以准确理解其运动意图。这导致人类需要花费额外的精力去适应和解读机器人的行为，降低了人机交互的效率和安全性。现有方法缺乏对不同沟通方式有效性的系统评估，难以指导机器人设计，使其能够更清晰地表达运动意图。

核心思路：本研究的核心思路是通过实验对比不同的信号模式（表达性运动、灯光、文本、音频）对人类理解机器人导航意图的影响，从而找到更有效的沟通方式。研究假设，通过合理设计机器人的运动方式和辅助信号，可以提高人类对机器人行为的预测准确性、置信度和信任度。

技术框架：本研究采用在线视频实验的方式进行。首先，设计了四种常见的机器人导航场景。然后，针对每种场景，分别测试了不同的信号模式组合，包括单独的表达性运动、灯光、文本和音频，以及多种模式的组合。参与者观看机器人执行导航任务的视频，并预测机器人的下一个动作。研究记录了参与者的预测准确性、置信度和对机器人的信任度。

关键创新：本研究的关键创新在于系统地比较了多种沟通方式对机器人运动意图表达的影响。以往的研究主要集中在单一的沟通方式上，缺乏对不同方式的对比分析。本研究通过实验数据，为机器人设计者提供了关于如何选择和组合不同的沟通方式的指导。

关键设计：实验中，表达性运动的设计需要保证其能够清晰地表达机器人的导航意图，例如，通过身体的倾斜和转向来指示机器人的前进方向。灯光的设计需要考虑颜色、闪烁频率等因素，以增强信号的表达效果。文本和音频的设计需要简洁明了，避免产生歧义。此外，研究还考虑了不同信号模式之间的对齐和冲突情况，以评估其对用户置信度和信任度的影响。

📊 实验亮点

研究结果表明，不同的信号模式对人类理解机器人导航意图的影响存在显著差异。实验数据提供了不同信号模式在预测准确性、置信度和信任度方面的具体表现，为机器人设计者提供了有价值的参考。例如，研究发现，在某些场景下，表达性运动比文本更有效，而在另一些场景下，文本则更有效。此外，多模态信号的组合可以进一步提高用户的理解和信任度。

🎯 应用场景

该研究成果可应用于各种人机协作场景，例如：仓储物流、医疗服务、家庭服务等。通过优化机器人的沟通方式，可以提高人机交互的效率和安全性，减少人类的认知负担，增强用户对机器人的信任感，从而促进机器人技术的广泛应用。

📄 摘要（原文）

Robots in shared spaces often move in ways that are difficult for people to interpret, placing the burden on humans to adapt. High-DoF robots exhibit motion that people read as expressive, intentionally or not, making it important to understand how such cues are perceived. We present an online video study evaluating how different signaling modalities, expressive motion, lights, text, and audio, shape people's ability to understand a quadruped robot's upcoming navigation actions (Boston Dynamics Spot). Across four common scenarios, we measure how each modality influences humans' (1) accuracy in predicting the robot's next navigation action, (2) confidence in that prediction, and (3) trust in the robot to act safely. The study tests how expressive motions compare to explicit channels, whether aligned multimodal cues enhance interpretability, and how conflicting cues affect user confidence and trust. We contribute initial evidence on the relative effectiveness of implicit versus explicit signaling strategies.