本篇文主要關(guān)注基于工作任務(wù)的商用機(jī)器人（如安防機(jī)器人和物流外賣機(jī)器人）

這篇文章會介紹基本的HRI（人－機(jī)器人交互）模型中重要的設(shè)計(jì)概念?？瓷先ビ行?shù)學(xué)公式，但其實(shí)并不晦澀，筆者已經(jīng)將一整套知識抽絲剝繭。只要跟著內(nèi)容讀下去，相信收獲會很大。

能夠進(jìn)行各種任務(wù)而無需人為干預(yù)的自主機(jī)器人是最終的邊際目標(biāo)。具體來講，我們對機(jī)器人真正想要的是：當(dāng)我們有需求時(shí)候機(jī)器人能夠完成我們期望的任務(wù)，而不是他們主動地完成任何他們想要的東西。我們對能代生命形式這種機(jī)器人不感興趣，我們對能幫我萌做事情的努力感興趣。所以，在真正的AI出來之前。我們在技術(shù)邊界內(nèi)設(shè)計(jì)機(jī)器人的實(shí)際且有意義的目的是：通過機(jī)器人能自動能力來杠桿人類的注意力（勞動力）

因此，在本文中我們提出了七個(gè)概念用來評估如果機(jī)器人是否夠高效的指標(biāo)，以指導(dǎo)人機(jī)交互的設(shè)計(jì)，他們是：

• 任務(wù)完成力（TE＝Task Effectiveness）
• 獨(dú)立時(shí)間（Neglect Time）
• 任務(wù)復(fù)雜度 (Tast Complexity)
• 獨(dú)立能力 （NT=Neglect Tolerance）
• 注意力成本（RAD=Robot Attention Demand）
• 自由時(shí)間（FT=Free Time）
• 杠桿倍數(shù)（FO=Fan Out）

一、任務(wù)完成力（TE＝Task Effectiveness）

任務(wù)完成力是對任務(wù)實(shí)際執(zhí)行情況的一個(gè)衡量標(biāo)準(zhǔn)。不同任務(wù)類型的機(jī)器人有不同的任務(wù)完成力。比如：

對于物流機(jī)器人在駕駛和導(dǎo)航的任務(wù)下，我們認(rèn)為任務(wù)完成力是“從A點(diǎn)到B點(diǎn)所需的時(shí)間”。

在樓內(nèi)服務(wù)機(jī)器人的搜索任務(wù)中，我們可以測量找到所有目標(biāo)或在給定時(shí)間內(nèi)發(fā)現(xiàn)的目標(biāo)數(shù)量的時(shí)間。

在安防機(jī)器人的攻擊任務(wù)中，我們可能需要測量目標(biāo)被破壞和損失。

對于設(shè)計(jì)團(tuán)隊(duì)和產(chǎn)品經(jīng)理來講，評估機(jī)器人交互的第一步就是先確定核心任務(wù)，并根據(jù)最核心的任務(wù)設(shè)計(jì)出評估指標(biāo)（任務(wù)完成力）。

二、獨(dú)立時(shí)間（NT=Neglect Tolerance）

獨(dú)立時(shí)長是當(dāng)機(jī)器人被用戶忽略時(shí)，機(jī)器人執(zhí)行任務(wù)的能力隨著時(shí)間的推移而下降的程度。 通常情況下，任務(wù)完成力（Effectiveness）和時(shí)間（Time）之間存在下圖的特征曲線。

該曲線顯示，機(jī)器人當(dāng)前的任務(wù)完成力隨著用戶上次注意機(jī)器人的時(shí)間而下降。例如：對于開放空間的導(dǎo)航問題，我們可以將當(dāng)前任務(wù)完成力定義為機(jī)器人朝著目標(biāo)邁進(jìn)的速度。隨著用戶忽視它的時(shí)間越久，自主前進(jìn)的能力就會越差。 我們定義，機(jī)器人可以完成任務(wù)下的最低任務(wù)完成力為閾值（Treshold），便得到如下曲線。

在一些情況下，簡單機(jī)器人的任務(wù)完成力隨著時(shí)間的下降并不是漸變的而是“完全能”與“完全不能”這二者之間0和1的關(guān)系，因此曲線變?yōu)橄聢D，（但是并不影響后續(xù)的模型分析。因?yàn)槿绻覀兗僭O(shè)機(jī)器人出現(xiàn)故障的幾率復(fù)合高斯分布，則整體來看，多機(jī)器人團(tuán)隊(duì)的情況下，整體機(jī)器人的效能仍然會附和上圖的漸變曲線）

三、任務(wù)復(fù)雜度 (Tast Complexity)

這個(gè)指標(biāo)比較簡單，以巡邏機(jī)器人為例子，在一個(gè)復(fù)雜道路，行人較多的環(huán)降下巡邏就會面臨高任務(wù)復(fù)雜度。在一個(gè)封閉場合，路障較少的情況下巡邏，任務(wù)復(fù)雜度就會較低。 在實(shí)際任務(wù)場景中，傳感器錯(cuò)誤，或其他車輛障礙物，以及不平坦地形都可能導(dǎo)致任務(wù)的復(fù)雜性增加。

四、獨(dú)立能力 （NT=Neglect Tolerance）

當(dāng)引入任務(wù)復(fù)雜度這個(gè)概念后，我們會發(fā)現(xiàn)單獨(dú)評估獨(dú)立時(shí)間是沒有意義的，于是我們引入“獨(dú)立能力”這個(gè)概念，見下圖中“獨(dú)立能力”的曲線。（如果一個(gè)機(jī)器人團(tuán)隊(duì)的技術(shù)較好，如環(huán)境感知能力強(qiáng)，機(jī)械結(jié)構(gòu)不易宕機(jī)，輪式自控覆蓋路形廣。則可以有效提高機(jī)器人的“獨(dú)立能力”。

對于產(chǎn)品經(jīng)理和設(shè)計(jì)師來說，如何在團(tuán)隊(duì)的技術(shù)能力邊界內(nèi)有效的利用“獨(dú)立能力”完成更多的復(fù)雜任務(wù)是需要著重考慮的。

五、注意力效力（RAD=Robot Attention Demand）

由于我們設(shè)計(jì)機(jī)器人的目的是“杠桿人類用戶的注意力”，那么就需要引入“注意力效力”的概念。

注意力成本＝交互成本／(交互成本＋獨(dú)立能力）

＊其中“交互成本”，簡單來說是用戶為了讓機(jī)器人繼續(xù)完成任務(wù)，每次在機(jī)器人的“任務(wù)完成力”降低到閾值以下，對機(jī)器人進(jìn)行的輔助操作或任務(wù)修正時(shí)的操作成本，也就是交互所需的時(shí)間。

對于注意力效力RAD可以理解為，為了完成一個(gè)任務(wù)，用戶對機(jī)器人的管理成本的性價(jià)比。

六、自由時(shí)間（Free Time）

簡單來說，自由時(shí)間＝1.0 – 注意力效力

后續(xù)會引用此指標(biāo)。

七、杠桿倍數(shù)（FO=Fan Out）

杠桿倍數(shù)＝1.0 / 注意力效力 ＝( 交互成本+獨(dú)立能力 ) / 交互成本

在實(shí)際場景中，如果為了更好的“杠桿”用戶的人力，則一個(gè)用戶同時(shí)操作多個(gè)機(jī)器人是重要的“人－機(jī)器人協(xié)作”模式。這種人－機(jī)器人團(tuán)隊(duì)的模式大大提升了人的能力。整體上，為了增加“杠桿倍數(shù)FO”，設(shè)計(jì)師和產(chǎn)品經(jīng)理需要想盡辦法減小“交互時(shí)間”，或想盡辦法增大“獨(dú)立時(shí)間”

例如，在巡邏任務(wù)時(shí)，機(jī)器人對危險(xiǎn)情況判斷的越準(zhǔn)確，則機(jī)器人的“獨(dú)立能力”越強(qiáng)；當(dāng)機(jī)器人遇到多傳感器輸入時(shí)，如果系統(tǒng)更懂用戶所需哪種信息，第一時(shí)間回傳用戶最所需的信息，則“交互成本”會被降低。類似，如果機(jī)器人能在用戶做判斷時(shí)給出輔助決策的建議或選項(xiàng)，則“交互成本”也會被降低。 這些目的都是為了增加用戶的“注意力效力”，從而增加機(jī)器人對人類用戶的“杠桿倍數(shù)”，簡單來說，就是讓一個(gè)用戶可以更高效的支配管理更多的機(jī)器人的團(tuán)隊(duì)。

在實(shí)際情況下，當(dāng)用戶可以同時(shí)支配和管理更到的機(jī)器人，則團(tuán)隊(duì)整體的“任務(wù)完成力”就越高。但實(shí)際情況下。一個(gè)用戶操作的機(jī)器人帶來的“任務(wù)完成力”與團(tuán)隊(duì)里“機(jī)器人數(shù)量”呈現(xiàn)下圖關(guān)系。

實(shí)際情況下，即使理論上一個(gè)用戶可以支配管理N個(gè)機(jī)器人，但是當(dāng)機(jī)器人數(shù)量較多時(shí)，機(jī)器人團(tuán)隊(duì)的整體任務(wù)完成力就會達(dá)到飽和。因此現(xiàn)實(shí)的約束使得用戶不可能支配管理更多的機(jī)器人承擔(dān)當(dāng)前的任務(wù)。這個(gè)約束是有很多現(xiàn)實(shí)原因的，包括物理限制與用戶認(rèn)知限制。下篇文章會具體分析如何提升這些限制。（重要干貨）

通常情況下，任務(wù)飽和可能出現(xiàn)兩個(gè)原因：

任務(wù)過于簡單：當(dāng)任務(wù)很簡單時(shí)，可能會發(fā)生這樣的事情，即將很多機(jī)器人在工作，團(tuán)隊(duì)的性能也不會提高。例如，在一個(gè)很小的園區(qū)里的巡邏任務(wù)，并不需要很多的機(jī)器人跑來跑去。換句話說就是，任務(wù)空間太擁擠。機(jī)器人所能收集和感知的信息大部分重疊。甚至?xí)嗷プ钃酰斐蓳矶?。（解決此問題需要產(chǎn)品經(jīng)理更充分地理解商業(yè)場景）
用戶的認(rèn)知限制：主要是記憶。在控制多個(gè)機(jī)器人時(shí)，人類必須記住機(jī)器人狀態(tài)信息，界面模式，機(jī)器人能力等。這就要求工作記憶，因?yàn)橹挥杏邢迶?shù)量的信息可以存儲在用戶的短期記憶中。（解決此問題需要用戶研究人員更深入地理解終端用戶的使用習(xí)慣交，需要互設(shè)計(jì)師設(shè)計(jì)更好的信息結(jié)構(gòu)展示形式和結(jié)構(gòu)）

總結(jié)

為了提升機(jī)器人的商業(yè)價(jià)值（對人力的杠桿力）：設(shè)計(jì)師和產(chǎn)品經(jīng)理需要主要考慮如何提升“獨(dú)立能力NT”和降低“交互成本IE”從而有效提升“注意力效力”。

與此同時(shí)，需要產(chǎn)品經(jīng)理更好的洞察現(xiàn)實(shí)的商業(yè)場景，找到最能體驗(yàn)機(jī)器人任務(wù)能力的“任務(wù)復(fù)雜度”。

類似的，設(shè)計(jì)師需要更好的理解用戶的使用習(xí)慣，從而在用戶有限的交互認(rèn)知能力下解決“任務(wù)飽和”的情況。

后續(xù)文章給出建議和具體設(shè)計(jì)方案來達(dá)到上述目的。

本篇文章是系列文章“AI機(jī)器人交互設(shè)計(jì)模型（被CMU和NASA多次引用）”的第一篇。本系列文章部分借鑒Olsen與Goodrich的經(jīng)典論文“Metrics for Evaluating Human-Robot Interactions” 以及Scholtz 的“Theory an Evaluation of Human Robot Interaction”.筆者是歐盟創(chuàng)新技術(shù)院HCI專業(yè)，最近在創(chuàng)業(yè)做低速自動駕駛。在讀CMU和NASA的文章時(shí)發(fā)現(xiàn)這片論文被多次引用提及。仔細(xì)研究后發(fā)現(xiàn)字字干貨，于是吸收整理后輸出給大家。

本文由 @石大大 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。