通过主动信息收集对人群进行内部状态估计

《ACM Transactions on Human-Robot Interaction》：Internal State Estimation in Crowds via Active Information Gathering

准确估计人类内部状态如性格特征对提升人机交互效果至关重要，尤其在多智能体场景中。本文提出结合艾森克三因素理论构建的人格行为模型与主动信息获取策略的机器人系统，通过贝叶斯推理实现多人群性格动态评估。实验表明该方法在模拟环境中使估计误差降低29.2%，不确定性减少79.9%，且能区分神经典型与自闭症行为特征，为自闭症应用研究奠定基础。

　　

摘要

准确估计人类的内在状态（如人格特征或行为模式）对于提高人机交互的有效性至关重要，尤其是在多智能体环境中。这些见解在从社交导航到自闭症诊断等各种应用中都具有重要意义。然而，以往的方法受到可扩展性和被动观察的限制，使得在复杂的多人环境中进行实时估计变得困难。在这项工作中，我们提出了一种用于人群中主动估计人类人格的实用方法，重点关注与自闭症谱系障碍（ASD）相关的应用。我们的方法结合了基于艾森克三因素理论的人格条件行为模型，以及一种通过滚动时域规划器触发人类行为的主动机器人信息收集策略。然后通过贝叶斯推理更新机器人对人类人格的认知。我们通过仿真验证概念研究、与普通成年人的用户研究以及涉及ASD参与者的初步实验来证明该方法的有效性。结果显示，与被动基线方法相比，我们的方法可以扩展到数十个人，并将人格估计误差降低$29.2\%$，不确定性降低$79.9\%$。与普通成年人的用户研究证实了该方法在处理复杂人格分布时的泛化能力。此外，我们还探讨了其在自闭症相关场景中的应用，证明了该方法能够区分神经典型行为和自闭症行为。研究结果表明，我们的框架可以为未来针对ASD的应用奠定基础。