建模专家在科学探索中平衡多目标的采样策略

在科学探索过程中，科学家通常持有多个且经常相互冲突的目标。理解科学家如何优先排序和平衡这些目标对于开发认知兼容的机器人队友和促进有效的人机协作至关重要。本研究旨在通过建模人类的多目标决策过程来提高机器人算法的认知兼容性。从141个采样步骤收集的人类决策数据表明，大多数科学家采用以下目标平衡策略之一：(i)聚焦模式，专家选择采样位置主要优化其主要目标；(ii)层次模式，专家首先层次化地满足其主要目标，然后在较小程度上满足其次要目标；(iii)权衡模式，专家选择采样位置以满足所有目标，即使该位置对任一目标都不是理想的。为了理解专家如何在不同模式之间选择，我们在目标函数空间中表示每个采样步骤的决策数据，从而定量表征三种策略类型。策略类型分析表明，专家对多目标协调策略的调整主要受两个关键决策因素支配：采样的当前阶段和未完成的奖励值。这一发现使得机器人能够使用极其简单的决策算法将专家的高层目标连接到平衡多个目标时的所需采样位置。该算法在胡德山行星模拟野外探索任务中的部署展示了机器人使用认知兼容算法参与决策和帮助调整与科学家高层目标一致的采样计划的潜力。