基于眼动追踪的人机协作信任与团队效能评估：自适应AI代理在复杂环境中的表现

为解决人机协作（HAT）中信任建立与团队效能优化问题，研究人员利用Overcooked AI平台开展自适应代理（HAHA）与人类协作的眼动特征研究。结果表明，基于分层强化学习（HRL）的自适应代理显著提升任务协调性（减少碰撞47%）和信任评分（提升3.97分），眼动指标如注视回访（revisits）和扫描路径长度可预测人类贡献度（p<0.001）。该研究为动态人机协作系统设计提供了量化评估新范式。

　　

在制造业、医疗和军事等领域，人类与自主系统（如协作机器人cobot）的协同作业日益普遍，但人机团队（Human-Autonomy Teaming, HAT）仍面临核心挑战：人类对自主代理的信任不足，协作效率低下。传统自动化系统常因"笨拙自动化（clumsy automation）"现象——即在高压情境下反而增加人类操作负荷——导致团队表现不佳。更棘手的是，现有AI代理多专注于独立任务执行（task work），缺乏真正的团队协作能力（teamwork），如目标对齐、灵活协调等关键维度。

为突破这一瓶颈，美国科罗拉多大学博尔德分校的研究团队创新性地将眼动追踪技术与分层强化学习（Hierarchical Reinforcement Learning, HRL）代理相结合，在Overcooked AI游戏范式中构建动态测试环境。这项发表在《Computers in Human Behavior: Artificial Humans》的研究揭示：采用HRL框架的自适应代理HAHA能像人类一样将复杂任务分解为子目标，其团队表现显著优于随机行动的笨拙代理（clumsy agent）和固定策略的刚性代理（rigid agent），更首次证实特定眼动模式可作为人机信任与协作效能的生物标志物。

研究采用三项关键技术方法：1）基于Lab Streaming Layer的多模态数据同步系统，以300Hz采样率整合眼动仪（Tobii Pro Spectrum）、游戏行为与主观评分；2）速度阈值算法（velocity-factor=6）实现微秒级眼跳（saccade）与注视（fixation）检测；3）分层强化学习框架训练HAHA代理，其决策层级模拟人类任务分解策略。实验纳入68名受试者，在低/中/高导航复杂度环境中分别与三种代理协作完成80秒烹饪任务。

行为结果显示：

• 碰撞与得分：自适应代理在高中复杂度环境中碰撞次数较刚性代理降低72%（p<0.001），团队得分提升26.7分。独特的"非对称优势"布局使低复杂度环境无需协调即获高分，凸显环境设计对HAT的影响。
• 任务分配：人类贡献度随代理适应性增强而降低（笨拙代理0.55 vs 自适应代理-0.03），但自适应代理在高中复杂度环境中主动承担更多子任务（p<0.001），实现动态负荷平衡。

主观评价证实：
参与者对自适应代理的信任评分（6.21/7）显著高于刚性代理（5.71）和笨拙代理（2.24），其"团队流畅性"评分在中等复杂度环境差异最大（Δ=1.56分，p<0.001），反映HRL架构在复杂协调场景的优势。

眼动特征揭示：

• 注视回访（revisits）：高复杂度环境使代理回访次数增加5.3次（p<0.001），但自适应代理引发回访最少，表明其行为更易预测。
• 扫描路径：笨拙代理引发最长扫描路径（0.53°/秒），反映人类需持续监控环境全局（global processing）。
• 凝视分配：自适应代理使人类减少12%的代理凝视，将注意力转向洋葱和柜台，体现策略优化。

预测模型突破：
线性混合模型证实：1）代理凝视比例每降低1%，信任评分上升0.04分（p<0.001）；2）人类任务贡献与回访次数（β=-0.002）、扫描路径（β=-0.026）和眨眼次数（β=-0.002）负相关，为实时适应性调节提供量化指标。

这项研究开创性地将眼动指标与HRL代理相结合，其核心价值体现在三方面：首先，验证了分层任务结构对提升AI可解释性的作用——HAHA通过显性目标分解使人类更易理解其意图，减少72%的监控需求。其次，确立注视回访作为新型团队监控指标，其与环境复杂度正相关、与代理适应性负相关的特征，为开发"注视触发式自适应系统"奠定基础。最后，研究提出的多模态评估框架（行为+眼动+主观评分）可推广至手术机器人、自动驾驶等高风险HAT场景。

局限在于实验环境的视觉范围受限，未来需探索头部运动参与的广义协作场景。作者建议结合大语言模型（LLM）增强代理意图表达能力，并将当前双边团队扩展至多智能体系统。这些发现标志着人机协作研究从"性能优化"向"认知对齐"的范式转变，为构建真正理解团队协作的AI伙伴指明方向。