根据生理信号和嵌入式指标对信任及其动态进行建模，以支持人机协作系统中的自主运行

《Frontiers in Robotics and AI》：Modeling trust and its dynamics from physiological signals and embedded measures for operational human-autonomy teaming

信任动态建模与多源数据融合在HOTL环境中的应用

　　人类与自主系统协作（Human-Autonomy Teaming, HAT）在当今的运营环境中变得越来越重要，涵盖了有人操作和远程控制的空间任务、军事行动、公共安全以及搜索与救援等场景。在这些场景中，操作员需要依赖自主系统来完成任务，但信任是影响这种协作效能的关键因素。因此，如何准确地建模和预测信任成为了一个迫切的问题。本文通过结合多种生理信号和嵌入式行为指标，开发了一个模型，用于推断和预测信任，其预测能力达到了较高的水平，能够捕捉到任务过程中信任的快速变化。

在HAT任务中，操作员与自主系统之间的信任关系具有动态性。信任不仅受到系统可靠性、解释性等任务属性的影响，还与操作员的个人特质和背景信息相关。现有的信任模型往往侧重于描述性分析，缺乏对动态变化的捕捉能力，因此本文提出了一种新的方法，通过生理信号与嵌入式行为指标的结合，构建了一个更具预测性的模型。这种模型不仅能够提供非侵入性的信任评估，还能够在任务过程中实时反映操作员对自主系统的信任水平，从而支持更有效的协作。

在实验设计方面，本文采用了与实际任务高度相关的HAT任务，即操作员通过卫星数据识别地面部队的移动。该任务具有操作性，且模拟了远程监督的情境，符合HAT任务中常见的“人类在回路”（Human-on-the-loop, HOTL）模式。在HOTL场景中，操作员与自主系统之间存在空间或时间上的分离，这使得操作员在任务执行过程中需要依赖系统，同时也面临信息不完全的挑战。因此，任务设计中引入了不同的可靠性条件和解释性条件，以影响操作员的信任维度，从而更全面地反映信任的多维特性。

为了捕捉操作员的信任变化，本文在实验中收集了多种生理信号，包括心电图（ECG）、呼吸、皮肤电反应（EDA）、脑电图（EEG）、功能性近红外光谱（fNIRS）、眼动追踪以及按钮点击行为。这些信号通过非侵入性的方式被采集，并结合操作员的背景信息，如个性特征、文化倾向、对自动化系统的信任倾向等，作为模型的输入。在数据处理过程中，对生理信号进行了预处理和特征提取，最终形成了680个潜在的预测特征，涵盖了神经和心理生理信号的不同维度。

为了评估模型的预测能力，本文采用了普通最小二乘回归（OLS）模型，并结合了外部验证和蒙特卡洛交叉验证（MCCV）的方法。通过这种方法，模型能够在不依赖任务参与者的主观反馈的情况下，对信任进行动态预测。模型在测试数据上的预测准确度（Q2）达到了0.64，表明其在未见过的数据上具有较强的泛化能力。此外，模型的描述性拟合（R2）也达到了0.83，说明其能够有效地解释操作员在任务中的信任变化。

模型的构建过程还考虑了不同特征版本的选择，以确保模型的稳定性与可靠性。通过使用LASSO算法进行特征筛选，模型能够在保留关键预测因子的同时，避免过拟合的风险。同时，为了进一步提高模型的泛化能力，本文采用了外部验证策略，即在模型训练过程中保留部分数据用于测试，以评估其在不同数据集上的表现。这种策略不仅有助于提高模型的鲁棒性，还增强了其在真实任务中的适用性。

此外，本文还关注了生理信号与嵌入式行为指标的结合对信任建模的影响。例如，眼动追踪数据能够反映操作员在任务中的注意力分配，而按钮点击行为则可能暗示其对自主系统的信任程度。通过将这些指标与生理信号相结合，模型能够更全面地理解操作员在任务中的心理状态，从而提高信任预测的准确性。然而，这种模型也存在一定的局限性，例如，某些操作员在不同任务阶段表现出高度波动的信任状态，而模型在这些情况下可能无法准确捕捉其变化。这可能是由于模型采用的是群体模型，而非个性化的模型，因此在处理高度变化的信任数据时，可能存在一定的平滑效应。

本文的模型不仅在HAT任务中表现出色，还具有较强的可迁移性，能够应用于其他类型的任务。其高时间分辨率的信任预测能力，使得该模型在实时应用中具有潜在价值，例如用于调整自主系统的决策策略或监测操作员的信任变化趋势。未来的研究可以进一步探索如何减少生理信号的采集负担，例如通过减少传感器数量或优化数据采集方式，以提高模型在实际任务中的可行性。此外，本文还提出了对信任的多维特性进行更细致建模的设想，如分别建模情感信任和认知信任，以更深入地理解操作员与自主系统之间的信任关系。

总之，本文通过结合多种生理信号和嵌入式行为指标，构建了一个能够有效预测和描述操作员信任水平的模型。该模型在HAT任务中表现出较高的准确性，能够捕捉到信任的动态变化，并且具有一定的可迁移性。然而，模型的泛化能力仍需进一步验证，特别是在面对未见过的操作员时。未来的研究可以探索如何优化模型的预测性能，使其在不同个体和任务场景中保持一致的准确性，同时减少生理信号的采集负担，提高其在实际应用中的可行性。