计算机科学>机器人
标题: 在导航场景中推断用户对机器人性能的印象
摘要: 人类对机器人性能的印象通常通过调查来衡量。 作为一种更具伸缩性和成本效益的替代方案,我们研究了使用非语言行为线索和机器学习技术预测人们对机器人行为的印象的可能性。 为此,我们首先贡献了SEAN TOGETHER数据集,该数据集由虚拟现实仿真中人与移动机器人之间的交互观察以及用户对机器人性能的5分印象组成。 其次,我们分析了人类和监督学习技术如何根据不同的观察类型组合(例如面部、空间和地图特征)预测感知机器人性能。 我们的结果表明,仅面部表情就可以提供有关人类对机器人性能印象的有用信息; 但在我们测试的导航场景中,空间特征是此推理任务的最关键信息。 此外,当评估结果为二进制分类(而非多类分类)时,人类预测和机器学习模型的F1-Score超过了两倍,这表明两者都能更好地说明机器人性能的方向性,而不是预测准确的性能评级。 基于我们的发现,我们为在实际导航场景中实现这些预测模型提供了指导。