AI到人执行：通过对人感知条件的主动诱导提升未修改AI的鲁棒性

在未来智能家居中，嵌入家居的视觉AI传感器持续监控居民，推断其活动和内部状态以提供高级服务。当传感器被动监控时，良好的推断随机发生，置信度高度依赖于用户当前条件与AI模型偏好的匹配程度（如正面朝向、无遮挡）。本文提出AI到人执行(AHA)新策略，赋予感知AI主动执行能力以诱导更有利的用户条件。在家居视觉AI场景下，我们构建了可向居民发出的执行行为分类法，部署于包含传感器和交互设备的真实家居中。对20名参与者进行了综合研究，体验将主动执行融入日常家庭生活。结果表明，执行增强的AI相比被动感知基线显著提升推断效果。本研究为将面向人的AI与主动执行相结合以增加高置信度推断机会提供了初步步骤，在不复杂化模型的情况下提高对不利条件的鲁棒性。