人机交互中隐式与显式人类反馈对齐的自标注方法

机器人学习领域的最新研究表明，隐式人类反馈是一种低成本的方法，可以在不增加用户典型教学负担的情况下改进机器人行为。然而，由于隐式反馈可能难以解释，我们研究了从用户处收集关于机器人多维度性能的细粒度标签的不同方法，这些标签可用于将隐式人类反馈映射到性能值。我们特别关注了解标注顺序和频率对人类自我标注过程感知的影响，以及这些标签对创建数据驱动模型以推理隐式反馈的效用。我们的研究结果表明，不同的标注方法会影响感知到的记忆负担、标注难度和整体标注时间。基于我们的研究结果，我们提出了创建未来人机交互隐式反馈数据集的建议。