大语言模型时代人-机器人交互研究方法：系统综述

文献标题

How Do We Research Human-Robot Interaction in the Age of Large Language Models? A Systematic Review

出版信息

• 主题领域: 大语言模型（LLMs）在人与机器人交互（HRI）中的整合的系统性综述。
• 关键词: 大语言模型、人与机器人交互、多模态感知、生成式交互、对齐、分类法、评估指标、机器人技术。

背景与问题

• 问题/挑战: 现有关于HRI的研究主要集中于LLMs的技术层面，例如鲁棒性和架构设计，但缺乏对其以人为中心的影响的全面综合分析，包括用户建模、情感理解和自主性水平等方面。
• 重要性: 理解LLMs如何变革HRI对于推动具身智能的发展以及实现现实环境中的无缝人机协作至关重要。
• 动机与相关工作: 先前的综述分析了LLMs在机器人技术中的应用，重点关注技术进步和具体应用。然而，这些研究未能解决将LLMs整合到HRI中所带来的更广泛的人本挑战和机遇。本研究旨在通过系统性综述和分类填补这一空白。

解决方案

• 提出的方法: 基于Sense–Interaction–Alignment框架对86篇关于LLM驱动的HRI研究进行系统性综述。
• 创新点:
  1. 提出了Sense–Interaction–Alignment框架，用于概念化LLM驱动的HRI。
  2. 开发了一种分类法，从感知、交互和评估等九个维度对研究进行分类。
  3. 确定了未来研究的11个关键挑战，例如多模态基础、信任校准和长期对齐。
  4. 创建了一个开放访问的数据库，收录了所综述的研究，以提高透明性和可重复性。
• 程序与关键技术:
  • 按照PRISMA指南在ACM DL、IEEE Xplore等数据库中进行文献检索。
  • 纳入标准聚焦于将LLMs整合到具身HRI系统中的研究。
  • 分析围绕研究问题展开，涵盖基础能力、系统设计、评估策略和未来挑战。

结果

• 具体发现:
  • LLMs通过实现上下文感知、生成式交互和自适应对齐增强了HRI。
  • 研究高度异质化，实验设置、模态和评估指标多样。
  • 应用领域涵盖八个领域，包括医疗、教育和工业制造。
• 相较基线的优势:
  • LLMs提高了任务效率（例如，将交互时间减少多达50%），通过自适应对话增强了社交交互，并实现了多模态推理。
• 实验/评估:
  • 方法学包括实验室实验（58项研究）、现场部署（17项研究）和以用户为中心的评估（例如访谈、问卷）。
  • 评估指标涵盖任务效率、准确性、感知智能和用户满意度。
• 局限性与未来工作:
  • 挑战包括多模态对齐、情感智能、信任校准和隐私风险。
  • 未来工作应关注纵向研究、主动修复机制以及个性化中的伦理考量。

总结

本系统性综述综合分析了大语言模型（LLMs）如何通过实现高级上下文感知、生成式交互和自适应对齐变革人与机器人交互（HRI）。提出的Sense–Interaction–Alignment框架组织了这些能力，并突出了关键的设计考量和挑战，例如多模态基础和信任校准。研究结果基于对86项研究的全面分析，涵盖多样化的应用和评估策略。本研究为未来研究提供了一条路线图，以应对LLM驱动的HRI中的技术和伦理复杂性。