融合人类信任的人-无人机协同方法研究
1.研究背景与意义
近年来，伴随新一代技术革命的兴起，在大数据和人工智能的强力支撑下，无人机、无人艇、地面与水下机器人等无人智能装备快速发展，并在高危或不适宜人类直接进入的任务场景中展现出重要价值。在我国，无人机已被纳入国家突发事件应急体系建设的重点发展方向，相关规划文件明确提出要加强智能无人应急救援装备布局；国际上，美国DARPA 等机构通过“机器人地下挑战赛”等活动持续推动自主机器人技术进步。以搜救无人机为代表，借助深度学习和计算机视觉等技术，系统能够对被困人员、火源位置、受损建筑等目标进行自动识别与定位，在地震、火灾等突发灾害场景中显著提升了搜救效率和信息获取能力。
然而，AI 赋能的无人机在复杂环境中的实际应用仍面临诸多挑战。一方面，复杂环境具有强不确定性和高动态性，对算法的鲁棒性和系统的实时响应提出了更高要求；当前许多深度学习模型在极端场景下的稳定性仍难以充分保障。另一方面，模型决策过程缺乏可解释性，叠加隐私保护、责任归属等法律伦理问题尚未完全厘清，使得在短期内完全依赖全自主无人系统并不现实。综合来看，在可预见的阶段内，人-无人机协同仍是面向复杂任务的更优选择。
在这一协同模式下，人机信任成为影响系统整体性能与安全性的关键因素。由于任务环境复杂、算法行为不透明，人往往难以准确理解和评估无人机的真实能力，从而产生“过度信任”或“缺乏信任”：前者可能导致关键目标因算法失误被遗漏，后者则使操作人员趋向于全程接管，既增加负担又削弱智能系统的效率优势。因此，如何刻画和调节人对无人机能力的主观认知，使其与无人机的客观性能相匹配，构建合理的人机信任机制，是实现高效、安全人机协同的核心问题。
基于此，本研究面向无人机在未知或高风险环境中执行搜索、搜救与降落任务时的自主能力局限与人类操控疲劳问题，拟构建适用于人-无人机协作任务的人机信任模型，并探索基于动态信任的人机协同机制，为复杂动态环境下的人机协同系统设计提供理论与方法支撑，对提升人机任务的安全性与执行效率具有重要工程应用意义。
2.国内外研究现状
人机协同方法研究 无人机遥操作与半/全自主控制是人机协同研究的重要应用场景之一，其目标是在复杂危险环境中兼顾人类高层决策能力与机器人自动化执行优势。现有研究一方面聚焦于提升无人机的自主感知与搜索能力，如 Wang (missing reference)等利用深度学习实现海上搜救场景中的目标定位与搜索，Khosravi (missing reference)等构建结合 ResNet 与贝叶斯推理的无人机自主搜索与检测系统，在搜救与林火监测任务中显著提升目标定位效率。另一方面，部分工作关注在人机协同搜救中的控制权分配与任务协作效率提升，如 Allaban (missing reference)等构建混合人机共享控制架构，在考虑输入延迟和里程计漂移的情况下动态调整人类与自主代理的控制权重。总体来看，虽然上述研究在机器自主性能与人机协同效能方面取得了重要进展，但直接以“人机信任”为核心变量来系统刻画和利用人机协同机理的工作仍然较少；有限涉及信任的研究多集中于辅助决策系统或停留在定性分析层面，尚难支撑精细化的人机协同设计。
信任模型研究 构建人机信任模型的前提是对信任进行合理的定性与定量刻画。早期研究普遍采用 Lee 与 See 提出的定义，将对自动化的信任视为在不确定和脆弱情境下期望其帮助实现个体目标的一种态度；随着 AI 赋能的人机系统兴起，较新的研究则更强调信任与机器完成特定任务的能力或绩效之间的关联，机器人性能是影响人机信任的核心因素之一。在此基础上，学者们提出了多种形式的定量信任模型，主要包括：基于性能的代数模型，通过代数公式将机器人任务表现映射为信任值，如 Floyd [1]等提出的性能中心信任计算框架；时间序列模型，通过自回归等方法描述信任随时间的动态变化，如 Lee 和 Moray [2]的 ARMAV 模型；MDP/POMDP 模型，将信任视为潜在状态并通过状态转移概率刻画其演化过程，典型如 Akash (missing reference)等在远程操作协作任务中构建的 POMDP 信任模型；基于高斯假设的贝叶斯模型，将信任作为连续随机变量并利用线性高斯方程建模，如 Chen [3]等的信任感知决策框架；以及基于动态贝叶斯网络（DBN）的模型，通过事件间因果关系推断信任变化，如 Xu 与 Dudek (missing reference)提出的 OPTIMo 模型。总体而言，信任建模已形成涵盖系统建模、统计学习与人为因素的交叉研究图谱，但现有模型在统一度量体系、模型结构的理论解释性以及参数物理含义等方面仍不完善，导致不同任务场景下的信任模型可比性与可迁移性较弱。
信任应用研究 现有关于人机信任的应用研究大致可分为两个方向：其一是关注信任对人类控制与决策行为的影响，通过调节信任以改善人类行为与系统性能；其二是将信任作为刻画机器性能或分配人机权限的关键变量，用于优化人机协同结构。就前者而言，大量工作通过调整系统透明度、界面设计和反馈机制等手段影响用户信任，如Rezvani (missing reference)等通过融入内部与外部环境感知信息的界面设计提升用户对自动化的理解与信任；但这些研究多基于实验场景，侧重验证调节手段有效性，对“如何定量校准到恰当信任水平”缺乏明确的建模与度量。在后者方面，一些工作尝试直接将人机信任用于权限划分或性能估计，如 Li (missing reference)等在共享控制中引入双向信任以调节移动机器人自主性。然而，由于缺乏精确、动态的人机信任模型，这类方法往往依赖问卷量表或结构较为启发式的代数模型，难以在需要实时调整和高频协同的人-无人机任务中稳定应用。
综上所述，已有研究在无人机人机协同方法、信任建模与信任应用方面均取得了丰富成果，但面向具体人-无人机协作任务，仍缺少一个既具理论解释性又能动态量化的信任模型，用于支撑信任校准、人机权限分配以及机器性能评估等关键环节。
3.本文工作
综上所述，本文围绕人-无人机协同系统中的信任模型构建与协同机制设计展开研究，重点解决三个方面的问题：一是针对传统信任模型将无人机性能简化为“成功/失败”导致信任评估剧烈波动的问题，面向典型协作场景构建融合飞行安全性、视野可见度等多维动态指标的信任量化模型，更精准刻画人机信任的动态演化过程；二是针对人机协同搜索任务中规划层缺乏信任融入的问题，设计考虑信任实时更新的轨迹规划方法，在信任约束下实现对“过度干预”与“过度依赖”的动态平衡，从而在操作负担、安全性与任务效率之间实现多目标优化；三是针对人机协同降落任务中控制权限分配僵化的问题，提出基于实时信任水平的动态控制权重分配策略，在高信任时增强无人机自主性、低信任时强化人工接管，以充分发挥人机协同决策优势。
参考文献
- [1]M. Chen, S. Nikolaidis, H. Soh, D. Hsu, and S. Srinivasa, “Trust-aware decision making for human-robot collaboration: Model learning and planning,” ACM Transactions on Human-Robot Interaction (THRI), vol. 9, no. 2, pp. 1–23, 2020.
- [2]M. W. Floyd, M. Drinkwater, and D. W. Aha, “Trust-guided behavior adaptation using case-based reasoning,” 2015.
- [3]J. Lee and N. Moray, “Trust, control strategies and allocation of function in human-machine systems,” Ergonomics, vol. 35, no. 10, pp. 1243–1270, 1992.