人机协作施工信任建模：基于改进云贝叶斯网络（CBN）的动态风险评估与优化策略

本文提出一种融合改进云模型（CM）与贝叶斯网络（BN）的混合方法（CBN），用于动态评估建筑行业人机协作（HRC）中的信任风险。研究通过专家访谈识别11个关键风险因子，利用优化云熵处理专家评价的模糊性与随机性，构建可进行前向预测、敏感性分析和反向诊断的贝叶斯网络，为HRC信任机制的风险感知与控制提供创新性量化框架。

　　

Trust modeling in HRC

信任在人机协作（HRC）中扮演着关键角色，它影响着工作者对技术系统的决策、行为及依赖程度（Meissner et al., 2020; Liu et al., 2021）。近期研究将信任视为一种通过交互、反馈和系统透明度演化的动态建构，而非固定属性。例如，大量综述研究指出静态问卷的局限性，并推荐采用机器学习与数据驱动的方法……

Methodology

为动态评估建筑行业HRC中的信任风险，本研究提出一种融合改进云模型（CM）与贝叶斯网络（BN）的混合方法，以解决多因子推理与诊断问题。图1展示了该方法的工作流程，包括三个阶段：（1）评估体系开发；（2）CBN模型构建；（3）HRC信任风险分析。

Results

建筑行业HRC中的信任具有高度复杂性，受多个相互作用因子的影响，且带有显著的主观性与不确定性。图3展示了CBN模型的拓扑结构。整体信任风险由节点T表示，中间节点关联三个二级指标：人为因素（B1）、组织因素（B2）和机器人因素（B3）。因子X1至X13作为根节点……

Effectiveness of the improved CBN method

本研究通过将改进云模型（CM）整合至贝叶斯网络（BN）框架中，推进了HRC信任风险的量化评估。这一集成方法有效捕捉了专家评价中固有的非线性与不确定性。此外，本文进一步将所提方法与传统方法进行比较，以验证其在HRC信任风险评估中的效能。

在HRC信任的风险评估中，模糊性和不确定性主要出现在风险等级定义过程中，导致阈值难以明确设定……

Conclusion

工作者对机器人系统的信任直接决定其技术采纳意愿，显著影响HRC施工任务中的安全绩效与运作效率。传统的信任风险评估通常依赖访谈与问卷调查，既忽略了专家评价的固有模糊性，也忽视了风险因子之间的相互依赖关系。本研究提出了一种混合CBN方法，系统地将改进云模型（CM）与贝叶斯推理相结合……