AI机器人交互设计模型 (一）评估机器人交互的七大指标

　　本篇文主要聚焦于基于工作任务的商用机器人，如安防机器人和物流外卖机器人。

　　这篇文章将介绍基本的HRI（人－机器人交互）模型中重要的设计概念。尽管其中涉及一些数学公式，但已将这些复杂知识简化，以便读者轻松理解。跟随内容阅读，相信您会收获颇丰。

　　能够自主完成各种任务而无需人为干预的机器人是终极目标。具体而言，我们期望的机器人是：在我们需要时能够执行我们期望的任务，而不是它们主动完成自己想做的事情。我们对能代替生命的机器人不感兴趣，而是对能帮助我们完成任务的努力感兴趣。因此，在真正的AI出现之前，我们在技术范围内设计机器人的实际且有意义的目标是通过机器人的自动能力来“杠杆”人类的注意力（劳动力）。

　　基于此，本文提出了七个概念，用于评估机器人是否高效，以指导人机交互的设计：

一、任务完成力（TE＝Task Effectiveness）

　　任务完成力是衡量任务实际执行情况的标准。不同任务类型的机器人具有不同的任务完成力。例如：

• 物流机器人在驾驶和导航任务中，任务完成力被定义为“从A点到B点所需的时间”。
• 楼内服务机器人在搜索任务中，可以测量找到所有目标或在给定时间内发现目标数量的时间。
• 安防机器人在攻击任务中，可能需要测量目标被破坏和损失的情况。

　　对于设计团队和产品经理而言，评估机器人交互的第一步是确定核心任务，并据此设计出评估指标（任务完成力）。

二、独立时间（NT=Neglect Tolerance）

　　独立时间是当机器人被用户忽略时，其执行任务的能力随时间下降的程度。通常，任务完成力（Effectiveness）和时间（Time）之间存在特定的特征曲线。该曲线显示，机器人当前的任务完成力随着用户上次注意机器人的时间而下降。例如，在开放空间的导航问题中，可以将当前任务完成力定义为机器人朝着目标迈进的速度。随着用户忽视它的时间越久，自主前进的能力就会越差。我们定义机器人可以完成任务下的最低任务完成力为阈值（Threshold），从而得到如下曲线。

　　在某些情况下，简单机器人的任务完成力随着时间的下降是“完全能”与“完全不能”之间的0和1关系，因此曲线变为下图所示（但这并不影响后续的模型分析）。如果我们假设机器人出现故障的几率符合高斯分布，则整体来看，在多机器人团队的情况下，整体机器人的效能仍然会符合上述的渐变曲线。

三、任务复杂度 (Task Complexity)

　　这个指标相对简单。以巡逻机器人为例，在复杂道路、行人较多的环境下巡逻会面临高任务复杂度。而在封闭场合、路障较少的环境下巡逻，任务复杂度就会较低。在实际任务场景中，传感器错误、其他车辆障碍物以及不平坦地形都可能导致任务的复杂性增加。

四、独立能力 （NT=Neglect Tolerance）

　　当引入任务复杂度这个概念后，我们会发现单独评估独立时间是没有意义的。于是我们引入“独立能力”这个概念。对于一个机器人团队而言，如果技术较好，如环境感知能力强、机械结构不易宕机、轮式自控覆盖路形广，则可以有效提高机器人的“独立能力”。对于产品经理和设计师来说，如何在团队的技术能力边界内有效地利用“独立能力”完成更多的复杂任务是需要着重考虑的。

五、注意力效力（RAD=Robot Attention Demand）

　　由于我们设计机器人的目的是“杠杆人类用户的注意力”，那么就需要引入“注意力效力”的概念。注意力成本＝交互成本／(交互成本＋独立能力)。其中，“交互成本”简单来说是用户为了让机器人继续完成任务，每次在机器人的“任务完成力”降低到阈值以下时进行的辅助操作或任务修正时的操作成本，也就是交互所需的时间。对于注意力效力RAD可以理解为为了完成一个任务，用户对机器人的管理成本的性价比。

六、自由时间（Free Time）

　　简单来说，自由时间＝1.0 – 注意力效力。后续会引用此指标。

七、杠杆倍数（FO=Fan Out）

　　杠杆倍数＝1.0 / 注意力效力 ＝( 交互成本+独立能力 ) / 交互成本。在实际场景中，为了更高效地“杠杆”用户的人力，一个用户同时操作多个机器人是重要的“人－机器人协作”模式。这种人－机器人团队的模式大大提升了人的能力。整体上，为了增加“杠杆倍数FO”，设计师和产品经理需要想尽办法减小“交互时间”，或增大“独立时间”。例如，在巡逻任务时，机器人对危险情况判断的越准确，则机器人的“独立能力”越强；当机器人遇到多传感器输入时，如果系统更懂用户所需哪种信息并第一时间回传用户最所需的信息，则“交互成本”会被降低。类似地，如果机器人能在用户做判断时给出辅助决策的建议或选项，则“交互成本”也会被降低。这些目的都是为了增加用户的“注意力效力”，从而增加机器人对人类用户的“杠杆倍数”，简单来说就是让一个用户可以更高效地支配管理更多的机器人团队。在实际情况下，当用户可以同时支配和管理更多的机器人时，团队整体的“任务完成力”就越高。但实际情况下一个用户操作的机器人带来的“任务完成力”与团队里“机器人数量”呈现下图关系：实际情况下即使理论上一个用户可以支配管理N个机器人但当机器人数量较多时机器人团队的整体任务完成力就会达到饱和因此现实的约束使得用户不可能支配管理更多的机器人承担当前的任务这个约束是有很多现实原因的包括物理限制与用户认知限制下篇文章会具体分析如何提升这些限制（重要干货）。通常情况下任务饱和可能出现两个原因：1. 任务过于简单：当任务很简单时可能会发生这样的事情即将很多机器人在工作但团队的性能也不会提高例如在一个很小的园区里的巡逻任务并不需要很多的机器人跑来跑去换句话说就是任务空间太拥挤机器人所能收集和感知的信息大部分重叠甚至会相互阻挡造成拥堵（解决此问题需要产品经理更充分地理解商业场景）2. 用户的认知限制：主要是记忆在控制多个机器人时人类必须记住机器人状态信息界面模式机器人能力等这就要求工作记忆因为只有有限数量的信息可以存储在用户的短期记忆中（解决此问题需要用户研究人员更深入地理解终端用户的使用习惯交互设计师设计更好的信息结构展示形式和结构）。总结为了提升机器人的商业价值（对人力的杠杆力）：设计师和产品经理需要主要考虑如何提升“独立能力NT”和降低“交互成本IE”从而有效提升“注意力效力”。与此同时需要产品经理更好地洞察现实的商业场景找到最能体现机器人任务能力的“任务复杂度”。类似的也需要设计师更好地理解用户的使用习惯从而在用户有限的交互认知能力下解决“任务饱和”的情况。后续文章将给出建议和具体设计方案来达到上述目的。本篇文章是系列文章“AI机器人交互设计模型（被CMU和NASA多次引用）”的第一篇。本系列文章部分借鉴了Olsen与Goodrich的经典论文《Metrics for Evaluating Human-Robot Interactions》以及Scholtz的《Theory and Evaluation of Human Robot Interaction》。笔者是欧盟创新技术院HCI专业目前在创业做低速自动驾驶。在读CMU和NASA的文章时发现这篇论文被多次引用提及仔细研究后发现内容字字干货于是整理后分享给大家希望对您有帮助。未经许可禁止转载。