本文是一篇发表于《Current Robotics Reports》期刊（2020年）的综述论文，由来自科罗拉多大学博尔德分校（University of Colorado Boulder）计算机科学系的Aaquib Tabrez、Matthew B. Luebbers和Bradley Hayes共同撰写。论文的主题是人-机器人协作中的心智模型（Mental Modeling）技术综述。随着机器人在人类环境中日益普及和复杂化，实现安全高效的人机协作（Human-Robot Teaming）成为关键。心智模型作为一种形式化机制，通过让机器人理解和预测人类队友的意图、信念和目标，并建立共享理解，是实现流畅、有效团队协作的核心。本文旨在系统性地梳理心智模型理论、方法论、评估方法及其在人机协作领域的应用与挑战。

一、 心智模型的理论基础及其在人机协作中的重要性

论文首先阐述了心智模型的理论根源，可追溯至心理学家Kenneth Craik于1943年提出的观点，即心智是现实的“小规模模型”，用于描述、解释和预测环境事件。在人类因素研究中，共享心智模型（Shared Mental Model, SMM）被证明是团队高效协作的关键，它意味着团队成员持有兼容的知识结构，从而能产生一致的预期，协调行动。

在人机交互（Human-Robot Interaction, HRI）领域，心智模型常与“心理理论”（Theory of Mind, ToM）概念交织。心理理论指个体推断他人心理状态（如信念、欲望、意图）的能力。机器人不具备人类直觉，因此需依赖显式的数学模型来近似人类队友的心理状态，即构建心智模型。这甚至可延伸至二阶心智模型（Second-order Mental Modeling），即机器人对人类持有的关于机器人自身心智模型的信念进行建模，从而实现更深层次的相互理解和行为可预测性。

论文指出，心智模型能为人机团队带来多项关键特质：1) 流畅的行为（Fluent Behavior）：实现时序上良好同步的联合行动；2) 适应性（Adaptability）：根据动态任务需求快速调整计划与行动；3) 信任构建（Trust Building）：当人类能理解机器人的角色、能力和决策过程时，信任得以建立；4) 有效沟通（Effective Communication）：基于模型进行信息交换，如预警或求助；5) 可解释性（Explainability）：使机器人能够解释自身行为逻辑，提升透明度。

二、 心智模型的主要方法论

作者将现有心智建模方法分为三大类进行详细阐述：

1. 一阶（标准）心智模型（First-order Mental Models） 此类模型中，机器人直接对人类合作者的行为进行建模，以推断其信念、意图和目标，从而预测其行动。核心通常包含两个步骤：推断人类的奖励函数（即驱动其行为的动机），以及基于该奖励函数规划机器人自身行为。 * 核心假设与主流方法：许多方法基于理性原则，即假设人类会采取近似理性的行动以最大化其预期奖励。具体技术包括： * 逆强化学习（Inverse Reinforcement Learning, IRL）：通过观察人类行为数据，反向推导出最能解释该行为的奖励函数。例如，最大熵IRL。 * 逆规划（Inverse Planning）：将人类决策建模为理性概率规划过程（如马尔可夫决策过程MDPs），然后利用贝叶斯规则从观察到的行动中推断其目标和信念。贝叶斯心理理论（Bayesian Theory of Mind, BToM）框架是此方法的扩展，使用部分可观测马尔可夫决策过程（POMDP）来建模依赖信念和欲望的行动。 * 噪声理性选择模型（Noisy Rational Choice Model / Boltzmann Rational）：假设人类以最高概率采取最优行动，但也有一定概率表现出次优行为。 * 对非理性行为的建模：近期研究开始关注人类的非完全理性行为，如认知局限和特定偏差。例如，有工作引入有限记忆适应模型来模拟人类的有限理性和记忆约束；另有研究利用行为经济学中的累积前景理论（Cumulative Prospect Theory） 来建模人类在风险和不确定性下的损失厌恶行为。 * 奖励估计与修复框架（RARE）：该框架通过一组可能的隐马尔可夫模型（HMMs）来估计人类的奖励函数，这些模型代表了完整或有缺陷的任务理解。机器人通过推断最能解释人类行为的HMM，来理解并可能通过解释来修复人类队友对任务的不完整认知。

2. 二阶心智模型（Second-order Mental Models） 此类模型涉及更深一层的递归推理：机器人对人类持有的关于机器人自身心智模型的信念进行建模。这使得机器人能够考虑自身行为如何影响人类对它的认知，从而产生更具可预测性和可解释性的行为。 * 主要方法： * 贝叶斯逆强化学习（Bayesian IRL）的逆向应用：Huang等人的工作将人类建模为通过观察机器人行为来学习其目标函数的个体。机器人则可以利用这一模型来规划行动，使其行为能最大程度地向人类传达信息（即教学行为），帮助人类更好地预测机器人在新情境下的行为。 * 交互式部分可观测马尔可夫决策过程（Interactive POMDP, I-POMDP）：该框架扩展了传统POMDP，通过引入包含其他智能体信念状态的“交互状态”来建模多智能体互动。Brooks和Szafir利用I-POMDP框架，通过IRL估计人类的Q函数，并假设人类遵循Boltzmann理性行为模型，来推断人类对机器人信念状态的估计。

3. 共享心智模型（Shared Mental Models） 共享心智模型旨在建立人机双方共同且兼容的知识基础，是实现协调行动的关键。建立共享模型通常需要通过沟通（隐式或显式）来对齐理解。 * 建立共享模型的方法： * 人机交叉训练（Human-Robot Cross-Training）：通过人机角色互换迭代学习，最终形成对协作任务的共享计划。 * 价值对齐问题（Value Alignment）：如合作逆强化学习（Cooperative Inverse Reinforcement Learning, CIRL），机器人旨在最大化人类队友未知的奖励，从而产生主动教学或学习行为。 * 博弈论模型：假设机器人知道团队的“真实”效用函数，而人类基于其可能不正确的奖励函数对机器人行动采取最佳响应策略。机器人据此决定是向人类揭示信息，还是在人类现有信息下选择最优行动。 * 沟通策略： * 隐式沟通模型：通过机器人的动作或姿态传达意图。 * 可读性（Legibility）运动规划：区别于可预测性（Predictability），可读性强调通过运动轨迹本身让人类易于推断出机器人的目标。 * 手势与非语言表达：例如，在交互式讲故事场景中，机器人使用动态贝叶斯网络（DBN）推断儿童注意力状态，并生成非语言表达（如说话者线索）来影响该状态。 * 显式沟通模型：通过语言解释进行沟通。 * 模型调和（Model Reconciliation）：通过解释来识别和解决合作者之间的模型差异，从而建立共享理解。这要求解释具备选择性、对比性和简洁性等特质。 * 遵循格莱斯会话准则（Grice’s Maxims）：Briggs和Scheutz的工作提供了一个形式化框架，使用状语线索以透明、类人的方式纠正合作者的错误或缺失信念，遵循质量、数量和相关性等会话准则。

三、 心智模型的评估方法

论文针对第二节提出的五项理想特质，总结了相应的评估方法： * 团队流畅性（Team Fluency）：评估较为主观，可使用经过验证的主观量表。客观指标包括：人和机器人的空闲时间、双方同时工作的时间比例、一个智能体完成前置任务与另一个智能体接手之间的延迟时间等。 * 适应性（Adaptability）：多使用客观指标，如平均累积奖励、人机对“正确行动序列”理解的相似度度量等。也常结合流畅性和信任度等主观量表进行综合评估。 * 团队信任（Team Trust）：影响因素包括对机器人目的、过程和性能的了解。评估多使用针对具体研究设计的主观量表，但也存在一些标准化量表可供借鉴，如HRI信任量表、二元信任量表（DTS）和机器人社会属性量表（ROSAS）。 * 有效沟通（Effective Communication）：对于显式沟通模型，评估发现与信任和团队合作正相关的特质包括：任务相关通信、表达模型差异的对比性解释、以及依赖于用户和上下文的信息（如向专家提供技术信息，向普通用户提供易懂信息）。对于隐式沟通模型，常用评估指标包括对人类理解机器人行为或目标程度的自我报告，以及针对可信度等相关特质设计的主观量表。 * 可解释性（Explainability）：评估指标包括：对智能体行为的自我报告理解度、任务完成成功率、系统故障、任务完成时间、不可修复错误的数量以及对自动化的信任度。一项调查指出，评估可解释架构有效性的衡量标准按重要性降序排列为：信任、鲁棒性（避免交互中的故障）和效率。

四、 新兴应用领域与讨论

论文列举了心智模型在多个领域的应用，并重点介绍了几个新兴方向： * 工业协作：未来的工厂将要求机器人与人类更紧密协作。研究集中在共享环境下的人类感知任务与运动规划、资源受限环境中的任务调度，以及生成支持性行为（如递送工具、稳定物体）以减轻人类认知和运动负担。 * 增强现实（AR）接口：AR为心智模型通信提供了新模态。通过头戴式显示器，可以将机器人的运动意图、计划或决策过程以全息影像形式叠加在真实世界上进行可视化。研究表明，这能显著提高任务准确性和效率，并提升对机器人透明度和可信度的主观感知。最新研究还包括通过AR接口实现人类对机器人计划或内部模型的诊断与修改。 * 行为引导（Behavior Manipulation / Policy Elicitation）：指智能体通过隐式或显式沟通引导人类采取最优策略或远离失败状态的一类问题。例如，在紧急疏散场景中，机器人可通过阻挡路径或语言更新（“下一个走廊有火”）来引导疏散者。相关挑战包括精确建模人类行为、利用人类模型发现失败模式、以及生成简洁且有说服力的语义更新。 * 机器人伦理与规范（Robot Ethics and Norms）：随着机器人社交行为和自然语言生成能力的增强，其行为引发的伦理和规范问题日益重要。特别是在行为引导过程中，可能涉及为达成更大利益而对人类进行“操纵”。挑战包括在协作中建立道德规范、预测并防止规范违反、以及在规范被违反时采取缓解措施（如提供合理解释）以保持透明度。

五、 论文的意义与价值

本综述论文具有重要的学术价值和实践指导意义： 1. 系统性梳理：首次对人-机器人协作中心智模型这一核心领域进行了全面、结构化的梳理，涵盖了从理论基础、方法论分类（一阶、二阶、共享模型）、到具体技术（IRL、逆规划、博弈论模型等）、评估体系以及新兴应用的完整链条。 2. 概念澄清：明确了心智模型与心理理论（ToM）在人机交互语境中的联系与区别，并引入了二阶心智模型等重要概念，为研究者提供了清晰的理论框架。 3. 方法论归纳：将纷繁复杂的技术路线归纳为三大类别，并详细阐述了每类中的代表性方法及其原理，有助于研究人员快速把握领域技术脉络，选择适合自己研究问题的工具。 4. 评估指南：针对心智模型旨在达成的各项协作特质，总结了对应的主观与客观评估方法，为未来研究的实验设计和效果验证提供了实用参考。 5. 前沿洞察：指出了工业协作、AR接口、行为引导和机器人伦理等新兴应用方向，并分析了其中的关键挑战，为领域未来的研究热点指明了方向。 6. 推动人机协作发展：通过总结心智模型在提升团队流畅性、适应性、信任、沟通和可解释性方面的作用，本文强调了该研究对于实现安全、高效、自然的人机协同工作的核心价值，对促进机器人从隔离工具向真正智能队友转变具有重要的推动作用。