Rethinking Legibility in Social Robot Hallway Navigation: Impact of Intent Representation and Human Distraction
作者: Pranav Goyal, Andrew Stratton, Christoforos Mavrogiannis
分类: cs.RO, cs.HC
发布日期: 2026-09-30
备注: 24 pages, 6 figures
🔗 代码/项目: GITHUB
💡 一句话要点
提出意图表示以提升社交机器人走廊导航的可读性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 社交机器人 可读性 意图表示 动态环境 人机交互 运动生成 模型预测控制
📋 核心要点
- 现有方法在动态行人环境中难以平衡机器人意图的清晰传达与人类安全。
- 论文提出通过意图表示的选择和人类注意力水平来优化社交机器人导航的可读性。
- 实验结果显示，适应性更新的通过侧可读性在流畅性和人类感知上均优于其他基线方法。
📝 摘要（中文）
本研究聚焦于社交导航环境中机器人的可读运动生成。可读性在人与机器人互动中被描述为一种特性，使观察者能够自信地推断机器人的意图。尽管已有成熟框架用于静态观察者前生成可读运动，但社交机器人导航面临新挑战：在动态行人环境中，机器人必须清晰传达意图，同时确保人类安全。我们通过两项受控用户研究，探讨意图表示的选择和人类注意力水平如何影响导航表现和人类印象。研究结果表明，适应性更新的通过侧可读性显著提升人类运动的流畅性，并被认为更具能力且心理和身体负担更小。
🔬 方法详解
问题定义：本论文旨在解决社交机器人在动态环境中如何有效传达意图的问题。现有方法在静态观察者前表现良好，但在行人注意力分散的情况下，难以保持可读性和安全性。
核心思路：论文的核心思路是通过不同的意图表示方法来提升机器人运动的可读性，尤其是在行人注意力分散的情况下，确保机器人能够有效地与人类协调。
技术框架：研究采用共享模型预测控制框架，进行两项受控用户研究，分别探讨意图表示和人类注意力对导航表现的影响。主要模块包括意图表示选择、运动生成和人类反馈收集。
关键创新：最重要的技术创新点在于通过适应性更新的通过侧可读性，显著提升了人类运动的流畅性和对机器人的能力感知。这一方法与传统的目的地基础和非可读基线方法有本质区别。
关键设计：在实验中，采用了不同的意图表示方式，并设计了相应的反馈机制，以评估人类在不同注意力水平下的反应。关键参数包括运动生成的实时更新频率和人类反馈的收集方式。
🖼️ 关键图片
📊 实验亮点
实验结果显示，适应性更新的通过侧可读性使得人类运动流畅性显著提升，参与者在心理和身体负担上感知更轻松。与目的地基础和非可读基线相比，参与者对机器人的能力感知也显著提高，表明该方法在社交导航中的有效性。
🎯 应用场景
该研究的潜在应用领域包括社交机器人、自动驾驶车辆和人机协作系统等。通过提升机器人在动态环境中的可读性，能够有效改善人机交互体验，增强人类对机器人的信任与合作意愿，未来可能在智能家居、公共服务等领域产生深远影响。
📄 摘要（原文）
We focus on legible robot motion generation in social navigation settings. Legibility in human-robot interaction (HRI) is often described as the property of robot motion that enables an observer to confidently infer the robot's intent. While mature frameworks exist for generating legible motion in front of static observers, social robot navigation presents a new challenge: the robot must clearly convey its intent while ensuring human safety in dynamic pedestrian environments where human attention is often divided. With the goal of enabling robots to generate legible motion in dynamic and constrained spaces, we investigate how the choice of representation and the level of human attention shape navigation performance and human impressions. Focusing on the ubiquitous and demanding scenario of hallway navigation, we conduct two controlled user studies involving alternative legibility formulations implemented within a shared model predictive control framework. Study 1 (N = 45) investigates the role of intent representation, showing that passing-side legibility, particularly when adaptively updated, leads to smoother human motion and is perceived as more competent and less mentally and physically demanding than destination-based and non-legible baselines. Study 2 (N = 45) examines the effect of pedestrian attention, demonstrating that legible motion allows for smooth human motion even under distraction, even if this is not consistently reflected in subjective ratings. Together, these findings suggest that effective legible motion in social robot navigation benefits from interaction-level intent representations that support coordination, with some effects persisting even when human attention is divided. Code is available at https://github.com/fluentrobotics/Legible_MPPI.