人们在拥挤环境中与机器人互动的偏好是什么？哪些算法适合机器人专家为人机互动编程？
一组来自加利福尼亚大学圣地亚哥分校的机械工程师和计算机科学家在日本举行的ICRA 2024会议上发布了一项近期研究，探讨了这些问题。
该研究由Aamodh Suresh和Angelique Taylor牵头，旨在调查人们在日常场景中与机器人互动时如何感知风险。Suresh是美国陆军研究实验室的博士后研究员，而Taylor现在是康奈尔科技的教员，他们开发了一个框架，以行为经济学模型为基础，评估人类在机器人互动中的风险规避。
为了收集数据，研究人员在疫情期间进行了一项在线实验。参与者主要是STEM专业的学生，参与了一个模拟游戏，扮演Instacart购物者，在杂货店中选择一条到达牛奶货架的路径。这些路径的风险水平与潜在的COVID-19暴露相关，有些路径经过了感染者。尽管有风险，参与者被激励选择最快的路线。
研究表明，个体往往低估了在有奖励时的冒险意愿。这一观察促使研究人员采用了前景理论，这是一个来自行为经济学的概念，以便为人机互动编程。前景理论由诺贝尔奖获得者Daniel Kahneman开创，建议个人在做决策时倾向于更重视损失而非收益。
此外，研究探索了个体偏好机器人以何种方式表达意图，响应方式包括语言、手势和触摸屏。
未来的计划包括进行一项面对面的研究，涵盖更具多样性的参与者，以进一步调查人机互动中的人类风险规避。
