本篇文章是系列文章“機器人高效能交互模型（被CMU和NASA多次引用）”的第二篇。點擊此處查看系列文章目錄。

人和機器人交互的首要目的是提升人與機器人團隊協作完成任務的效率，基于這個目標，本文介紹了以下五大措施：

1. 區分自動模式與手動模式
2. 讓用戶直接與現實環境交互
3. 讓用戶直接與傳感器信息交互
4. 幫助用戶減少記憶成本
5. 幫助用戶減少注意力成本

一、區分自動模式與手動模式

用戶操作機器人的主要模式有：

1. 自動模式 (script control)：為了讓機器人能夠自動運轉，用戶需要對機器人的任務和工作范圍進行預設和規劃。此時，用戶需要物理場地里的全局信息（Global）來進行整體任務的規劃，如園區地圖，目的地分布等。通常在觸摸屏上進行交互來進行對機器人進行任務規劃。
2. 手動模式 (pure teleoperation)：手動模式通常只是簡單的遠程遙控，用戶需要知道機器人周邊的實時信息來進行精準操作，如周邊障礙物的距離。

值得注意的是：

在機器人的工作過程中，操作者和機器人會經常有任務切換。因為對于大部分產品來說，AI技術還沒有成熟到“足夠替代人類”，所以用戶需要經常干涉機器的工作任務，這時用戶會切換為手動模式。當用戶需要將機器人從自動模式切換成手動模式／遠程控制模式時，這個交互應該是零操作成本的，不猶豫的。系統應該根據用戶的行為，通過恰當地理解用戶意圖，幫助用戶不猶豫地進行模式切換。以幾個例子為例：

在無人車的自動探索任務中，當機器人發現可疑人員，用戶（安防人員）需要切換至人工操作來遠程駕駛機器人。用戶只需要撥動遙控感／鍵盤，則系統自動降操作模式切換為手動模式。

在自動駕駛汽車中，當汽車進入駕駛員認為的不安全區域時，駕駛員需要奪回控制權。只需要將手握緊方向盤，則允許用戶進行手動駕駛。

自動跟隨行李箱，當旅行者覺得前方有臺階，箱子無法自行通過，旅行者想要將自動跟隨行李箱切換為普通行李箱。只需要伸手拉住拉桿，則電機自動取消動力。

當模式進行了切換時，系統需要提供一個明確的無歧義的交互反饋，告訴用戶關于模式的切換。這個模式切換的反饋是很重要的，如果機器人已經變為手動模式，而用戶確認為機器人仍有自動能力，則很容易發生事故。

二、直接與現實環境自然交互

人與AI機器人的交互應該像人與人一樣自然。通常，人與機器人交互中，自然語言有手勢和語音：

• 語音交互：通過語音對話形式操控機器人。關于語音交互和CUI，筆者后續會有相關文章進行介紹。
• 手勢交互 : 用戶和機器人處于近距離時，通過定義好的手勢對機器人進行指令控制，如暫停前進，旋轉等。手勢設計的難點在于要同時降低三個指標：操作成本、記憶成本、錯誤識別率、計算難度。通常這三個參數是互相矛盾的：一個特殊的手勢通暢好擺出來，但是用戶卻很難記住反常識的特殊手勢。一個自然的動態手勢很容易用戶記憶，但是操作起來會顯得傻傻的，在公共場合不舒服。如果想讓用戶在公共場合不尷尬的進行手勢操作，就要把手勢設計的不是很浮夸，也就是很不“顯眼”。但是這就又給計算力帶來了負擔，增加了模型的訓練難度和計算難度。

三、直接與傳感器信息交互

在機器人交互模型中一個目的是盡可能讓用戶只去關注物理環境而非機器人本身，換句話說就是盡量地讓機器人在整個交互過程中“透明化“。

自動行走的機器人通常安裝有眾多傳感器，如：攝像頭，激光雷達，測距雷達、GPS等。當用戶進行遠程控制機器人時，這些傳感器的數據是用戶獲得的關于機器人所處環境的基礎信息，與此同時，好的機器人系統應該允許用戶直接與這些數據進行交互。因為在操作機器人的過程中，用戶很難只是通過簡單的搖桿或鍵盤控制機器人的前進方向和角度。因此這種交互形式下，用戶很難將他的操作指令與機器人在實際物理環境中的結果關聯起來。（HRI領域一個很出名的說法是“人類操作者不知道機器人的肩膀在哪里”，講的就是用戶很難真正理解機器人在真實物理環境中行動所帶來的結果）所以如果應該盡量讓用戶忽視機器人的存在，而直接與機器人所在的物理世界產生交互，則會有效解決此問題：

• 局部視野指點 (Camera）：操控機器人時，在交互界面中直接點擊機器人視野圖像中的某個物體，或某個位置。機器人系統計算出用戶所指的點在物理世界中的位置，進而自動走到目的地。
• 局部視野審查（Camera）: 當用戶想要通過機器人更清楚地查看某個東西時，無需操控機器人朝該物體前進，而只需要在屏幕上的機器人視野中進行放大，則機器人會自動向目的物體運動。相似，當用戶想讓視野中看到更多物體的時候，只需要進行縮小操作，則機器人會自動后退，讓用戶獲得一個更全面的視野。
• 全局地圖指點 (GPS) : 用戶為了讓機器人前進至全局地圖中的某個位置，在地圖上進行直接選擇。系統計算出用戶所指的點在物理世界中的位置，然后自動走到目的地。
• 直接操作距離 (Sonar) : 用戶通過直接增大超聲波／紅外傳感器數值，而讓機器人遠離障礙物。用戶通過減小超聲波傳感器的數值，而讓機器人靠近該物體。

總結來說就是用戶不應該作為傳感器數據的融合者，用戶也沒有能力將各種傳感器的數據綜合起來去感知機器人周邊的環境。用戶唯一需要做的就是表達他想在物理世界中的意圖，然后機器人系統自動拆分任務參數（距離和角度等）

四、幫助用戶減少記憶成本

當用戶同時操作多個機器人時，很難順利的在不同機器人之間進行切換。面對這種情況，系統需要記錄每個機器人在過去的經歷，包括過去發生的錄像，所走的路徑，遇到的障礙物信息等。目的是讓用戶無須時刻記憶機器人的運行狀態，而只關注機器人目前的現狀。若用戶想要回放之前機器人執行任務時遇到的狀況，則只需要回播?；夭サ男畔⒉粌H是攝像頭視頻，也應該包括同步的各種傳感器數據。讓操作者在回到過去后，仍然能夠理解機器人所處的物理環境。

五、幫助用戶減少注意力成本

在用戶操作機器人的過程中，交互效率的瓶頸是用戶的注意力不夠。用戶可能同時在操作多個機器人，也可能在與機器人工作的同時并行完成其它工作任務。減少機器人對操作者的關注需求成為了解決“人－機團隊”完成任務效率的重要方向（參考《AI機器人交互設計模型 (一）評估機器人交互的七大指標》中的“杠桿倍數”）。通過降低單個機器人對用戶的注意力的需求，從而提升“杠桿倍數”，即一個用戶可以同時操作的機器人個數。 一些例子：

• 如果用戶沒有注意到距離傳感器上的數值在一直變小，機器人很快要撞上某個障礙物，則系統應該及時提醒用戶，或標亮即將出現事故的傳感器數據。
• 當用戶同時操作多個多個機器人時，當一個機器人需要用戶的注意力，則該機器人應該被標注出來，為用戶提供線索。相反，如果沒有主動提醒，用戶就必須要時不時的去輪檢機器人的運行狀態。
• 當機器人系統中有多個任務需要用戶去人工操作時，系統應該幫助用戶管理注意力。比如幫助用戶判斷哪個任務是最緊急重要的，從而幫助用戶更高效的管理機器人去完成工作任務。

本篇文章是系列文章“機器人高效能交互模型（被CMU和NASA多次引用）”的第二篇。本系列文章介紹Olsen與Goodrich的經典論文“Metrics for Evaluating Human-Robot Interactions” 以及Scholtz 的“Theory an Evaluation of Human Robot Interaction”。筆者畢業于歐盟創新技術研究院研究HCI專業，最近在創業做低速無人車自動駕駛。近期在讀CMU和NASA的文章時，發現這兩篇論文被多次引用提及。仔細研究后發現字字干貨，于是吸收整理后輸出給大家。

相關閱讀：

AI機器人交互設計模型 (一）評估機器人交互的七大指標

作者：石大大，知乎：石大大，微信公眾號：Thirsty

本文由 @石大大 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖由作者提供