增强现实中人机持续教学与学习的挑战与洞见：机器人技能泛化与用户信任研究

这篇综述探讨了AR环境中非专业用户与持续学习机器人系统的交互范式，提出基于知识图谱（Knowledge Graph）的符号学习方法，通过语义技能泛化（WordNet hierarchy）实现任务规划。研究采用增强现实（AR）和交互式任务学习（ITL）框架，验证了用户对系统的参与度（UES）、理解度（SIPAS）和信任度（THRI）的动态关联，为家庭服务机器人的长期适应性训练提供了实证依据。

增强现实（AR）技术正重塑人机交互（HRI）的教学范式。研究团队开发了一套集成AR界面与机器人持续学习（Continual Learning）的系统，允许用户通过虚拟厨房场景中的实物操作（如使用微波炉加热牛奶）直接训练机器人。系统采用知识图谱（Knowledge Graph）架构，将技能抽象为预条件-动作-效果三元组，并通过WordNet层级实现语义泛化——例如学会“烤面包机可使面包变脆”后，能推广至同类食品（如贝果）。

关键技术突破体现在三方面：

1. 实时学习与反馈机制：机器人通过语音和AR标注（如“微波炉能将牛奶温度从温热升至高温”）即时反馈学习内容，并主动提问以扩展技能（如“微波炉能否加热可乐？”）。

2. 多层级任务规划：系统结合空间关系（inside/outside）与设备状态（on/off）等属性，通过符号规划器生成可解释的执行方案。当用户请求“使披萨变热”时，机器人可能选择与演示不同的设备（如用烤箱替代微波炉）。

3. 用户认知评估：采用标准化量表（UES、SIPAS、THRI）量化体验，发现理解度与信任度呈中度相关（ρ=0.45），且探索性强的用户（尝试更多设备演示）更有效提升机器人知识得分（F_β=2）。

实验设计突破传统实验室限制：33名参与者在无监督环境下自由使用AR眼镜教学，16人完成二次交互。尽管AR操作识别可靠性影响部分体验（23%计划请求失败），但用户整体评价积极（UES奖励维度中位数4.0/5.0）。值得注意的是，系统暴露两大核心挑战：

• 认知负荷平衡：多重操作指引（视频教程、AR提示等）可能增加外源性认知负荷；

• 技术透明度不足：用户难以直观感知机器人泛化逻辑，如仅19%计划请求利用了未明确教学的技能。

研究启示指向未来方向：需开发自适应界面降低操作复杂度，并通过动态可视化（如知识图谱实时投影）增强系统可解释性。该成果为家庭场景中长期人机协作提供了关键方法论——既需保证算法层面的技能泛化能力（如基于WordNet的层级推理），更要重视用户体验维度的信任构建机制。