人因工程最新论文精选第20期:自动驾驶车辆汇入时,你的＂让行＂竟然是被设计出来的——BAIT控制器如何用＂读心术＂塑造人类驾驶信念

今日选读

汇入路口的"心理博弈"：BAIT控制器如何在重复交互中同时赢得效率与信任

Belief-Aware Influence and Trust (BAIT): Shaping Human Belief During Repeated Human-Robot Interaction

Ye-Ji Mun, Mahsa Golchoubian, Shahabedin Sagheb, Yan Bai, Tianhao Ji, Dylan P. Losey, Katherine Driggs-Campbell（UIUC / Virginia Tech等）

arXiv:2607.25327, 2026-07-28 | 投稿IEEE Robotics and Automation Letters

DOI: 10.48550/arXiv.2607.25327

🚗 自动驾驶🤖 人机交互🧠 信念推理🧪 实车验证

场景还原：汇入路口的20轮博弈

想象你正驾驶一辆车行驶在主车道上，前方有一辆自动驾驶汽车（AV）打着转向灯想要汇入你的车道。第1回合，AV表现得礼貌而犹豫——你顺势加速，没让它进来。第2回合，它还是那样客气，你又赢了。但到了第5回合，你开始犹豫："它会不会突然变得激进？"第10回合，你发现自己竟然在无意识中松了油门——不是因为AV真的变凶了，而是你的信念已经被重塑了。

这不是科幻小说，而是UIUC和Virginia Tech团队在最新论文中描述的重复人机交互（Repeated HRI）核心场景。论文提出的BAIT（Belief-Aware Influence and Trust）控制器，试图回答一个精妙的工程问题：当机器人与人类反复打交道时，它如何在"让人信任"和"让人让步"之间走钢丝？

问题的两面：要么被利用，要么被讨厌

现有方法在这个问题上陷入了双重困境。一方面，传统框架把每次交互当作孤立事件——机器人礼貌地请求汇入，人类 politely 拒绝，循环往复，任务效率持续衰减。另一方面，一些"聪明"的长期影响控制器通过刻意制造不可预测性来维持威慑力——今天客气，明天凶猛，后天又客气——但这种"神经质"行为严重侵蚀人类对机器人的信任和舒适感，而且计算上难以扩展。

BAIT的核心洞察是：人类驾驶员不是静态的奖励最大化机器，而是一个会根据观察持续更新"机器人是什么样"信念的适应体。这个信念演变遵循两个时间尺度：短期内，人类在"前进"和"安全"之间快速切换策略权重；长期内，人类对机器人的整体印象——从"强势"到"防御性"——缓慢漂移。BAIT通过同时追踪这两个时间尺度，实现了对人类行为的"读心级"预测。

图1 | BAIT控制器核心架构。左侧层级粒子滤波器在线推断人类双时间尺度潜在状态（短期策略z + 长期信念φ），右侧信念感知MPPI规划器通过β仲裁参数在"影响"与"信任"成本之间动态权衡，同时以CVaR硬约束保证安全性。确定性代理传播使实时执行成为可能（约0.11秒/步）。

方法精要：一个会"读心"的层级滤波器

BAIT的技术核心由两部分组成：层级粒子滤波器负责"读心"，信念感知MPPI规划器负责"行动"。

层级粒子滤波器的设计解决了标准滤波器在联合采样(z, φ)时的计算瓶颈。它将后验构建为一个层级集合：顶层是20个长期信念粒子φ（每个代表一种"人类认为机器人是什么样"的假设），每个φ粒子下又携带50个条件短期策略粒子z。φ的传播使用Beta混合核——一种在统计上既允许渐进漂移又防止粒子坍缩的精巧设计；z的传播则使用Ornstein-Uhlenbeck过程，使短期策略在父粒子φ确定的目标吸引子周围随机游走。

更精妙的是双通道更新机制。长期信念φ的更新融合了两条证据：一条来自人类动作（通过Boltzmann对数似然计算，回答"如果人类认为我是防御性的，他刚才的动作合理吗？"），另一条来自几何运动学特征（当两车进入25米交互区时激活，从速度、距离等物理量直接推断让行意图）。这种"行为证据+物理证据"的融合策略，使滤波器即使在人类动作噪声较大的情况下也能保持鲁棒。

三重验证：仿真、30人实验、实车部署

论文的验证链条覆盖了三层生态效度，从虚拟到真实逐步升级。

第一层：仿真验证。研究者基于CARLO 2D驾驶仿真器构建了双车道汇入任务。机器人在前方发起汇入，若成功影响人类让行则任务成功。关键设计在于：物理状态每回合重置，但人类的潜在状态(φ, z)跨回合持续保留——这精确模拟了真实世界中"同一辆车反复汇入"的记忆效应。仿真结果确认了层级滤波器的估计精度：z的余弦相似度达到0.95–0.97，1步轨迹预测误差仅约0.05米。

第二层：30人用户研究。30名参与者（11女，28±6.2岁）在Logitech G29方向盘和踏板的模拟驾驶舱中，对三种BAIT变体各完成20个连续汇入回合（共1800次交互）。三种变体分别是：纯信任（β=0，始终透明可预测）、纯影响（β=1，始终最大化不可预测性）、以及自适应切换（BAIT-adapt，根据成功率滑动窗口动态在两种模式间切换）。

第三层：真实世界GEM车辆部署。BAIT-adapt在Polaris GEM e2自动驾驶车辆上实时运行，与GEM e4人类驾驶车辆在缩比汇入场景中交互，RTK-GNSS厘米级定位消除了位置不确定性。这意味着论文中的每一个统计结论，最终都经受住了真实橡胶与真实沥青的考验。

图2 | 左：仿真任务性能（人类车道进度）显示BAIT-trust和Stackelberg允许最大人类进度（易被利用），BAIT-infl抑制人类进度（高效但侵蚀信任），BAIT-adapt居中实现平衡。右：30人用户研究Likert中位数显示BAIT-adapt在信任和舒适度上显著优于BAIT-infl，但在预期性上低于BAIT-trust（因模式切换引入不可预测性）。

数据深潜：自适应切换的精妙与代价

30人用户研究统计结果一览

*信任与舒适度：Friedman检验 + Bonferroni校正Wilcoxon事后分析（α=0.0167）；任务性能：重复测量ANOVA（F=250.51, p<0.001）+ Bonferroni事后检验

数据揭示了一幅比"好vs坏"更复杂的图景。BAIT-adapt确实在核心目标上成功了：它在任务性能上与纯影响等效（p=0.811），同时在信任（p=0.0128）和舒适度（p<0.005）上显著优于纯影响。但表格也暴露了两种代价：

代价一：不适感并未消除。BAIT-adapt的不适感中位数（5）与纯影响（5）相同，显著高于纯信任（3）。论文坦率地承认："controlled adaptation must inherently sacrifice the human comfort to maintain long-term influence for task efficiency." 模式切换本质上是一种"有控制的不可预测性"，人类驾驶员虽然理解机器人的意图，但身体层面的紧张感无法完全消除。

代价二：预期性受损。BAIT-adapt的预期性中位数（4）显著低于纯信任（6, p=0.003）。这是因为迟滞切换机制使得参与者难以预测机器人下一回合是"友好模式"还是"强势模式"。论文将未来的方向明确指向了连续优化仲裁变量β——用平滑渐变取代当前粗糙的二值切换。

一句话点评

BAIT是近年来人机交互领域少有的理论深度与工程完整度并重的工作——从层级粒子滤波的数学推导，到30人用户研究的统计验证，再到Polaris GEM车辆的实车部署，三层证据链环环相扣。论文的最大贡献在于将"影响-信任权衡"从一个模糊的设计直觉，转化为可量化、可优化、可在线求解的控制问题。对自动驾驶座舱设计而言，BAIT的核心启示是：在重复交互场景（如日常通勤中的固定汇入点）中，系统需要内置"交互记忆"——不是记住用户偏好，而是记住并主动塑造用户对系统的信念。局限在于当前二值切换的粗糙性和30人样本的规模，以及一个更深层的伦理问题：当机器人被明确设计来"操控"人类信念时，这种影响力的边界在哪里？论文在技术层面走得比伦理层面更远，这为后续研究留下了重要空间。

论文为arXiv预印本开放获取，基于全文HTML版本整理。所有统计数据、参数值和实验细节均来自原文。作者已投稿IEEE RA-L。

自动驾驶|人机交互|信念推理|粒子滤波|MPPI规划|实车验证|重复交互|博弈论