人形机器人设计中的恐怖谷贝叶斯框架
研究人员提出了一个层次贝叶斯生成模型，将恐怖谷效应转化为数学设计变量。该模型通过四类变量（偏离预测机器人类别均值、跨模态人类相似性不一致、预测不确定性、观测不确定性）解释类别模糊和感知不匹配导致的亲和力下降。实验表明，增加观测不确定性可减弱中间相似度下的熟悉度下降，而低预测不确定性则提升机器人外观的评分。该框架为算法评估和优化人形机器人外观与行为提供了计算基础。
在人形机器人设计领域，有一个长期存在的经验法则被称为“恐怖谷效应”：随着机器人外观越来越接近人类，人们对它的好感度反而会下降，而不是上升。这一现象给机器人设计带来了巨大挑战，但现有的设计指南——例如采用机器人化外观、避免过度逼真、减少跨模态不匹配等——大多停留在经验层面，缺乏可量化的数学表达，因此难以直接应用于算法优化。
为了破解这一难题，来自日本的研究团队提出了一种层次贝叶斯生成模型，成功将恐怖谷效应转化为四个可操作的数学设计变量。该模型将人类对机器人亲和力的感知表示为后验加权的负类别条件惊讶度（surprise），并指出类别模糊和感知不匹配会通过增加惊讶度来降低亲和力。具体而言，这四个变量包括：偏离预测机器人类别均值、跨模态人类相似性不一致、预测不确定性以及观测不确定性。
在仿真实验中，研究人员验证了类别模糊和外观-运动不匹配确实会导致亲和力下降，同时发现不确定性能够重塑恐怖谷的形态。随后，他们设计了一项人体实验，使用机器人-人类渐变图像作为刺激材料，通过模糊先行机器人刺激来调节预测不确定性，通过模糊评价刺激来调节观测不确定性。实验结果显示：增加观测不确定性可以有效缓解中间人类相似度时熟悉度评分的下降，而较低的预测不确定性则能够提高机器人外观的评分。
这一研究的意义在于，它将恐怖谷这一经验法则转化为了一个可计算的理论框架，为算法评估和优化人形机器人的外观与行为提供了坚实的数学基础。未来，设计师可以借助该模型系统性地规避恐怖谷效应，创造出更受人们欢迎的机器人产品。