人形機器人設計中的恐怖谷貝葉斯框架
研究人員提出了一個層次貝葉斯生成模型，將恐怖谷效應轉化為數學設計變數。該模型透過四類變數（偏離預測機器人類別均值、跨模態人類相似性不一致、預測不確定性、觀測不確定性）解釋類別模糊和感知不匹配導致的親和力下降。實驗表明，增加觀測不確定性可減弱中間相似度下的熟悉度下降，而低預測不確定性則提升機器人外觀的評分。該框架為演算法評估和最佳化人形機器人外觀與行為提供了計算基礎。
在人形機器人設計領域，有一個長期存在的經驗法則被稱為“恐怖谷效應”：隨著機器人外觀越來越接近人類，人們對它的好感度反而會下降，而不是上升。這一現象給機器人設計帶來了巨大挑戰，但現有的設計指南——例如採用機器人化外觀、避免過度逼真、減少跨模態不匹配等——大多停留在經驗層面，缺乏可量化的數學表達，因此難以直接應用於演算法最佳化。
為了破解這一難題，來自日本的研究團隊提出了一種層次貝葉斯生成模型，成功將恐怖谷效應轉化為四個可操作的數學設計變數。該模型將人類對機器人親和力的感知表示為後驗加權的負類別條件驚訝度（surprise），並指出類別模糊和感知不匹配會透過增加驚訝度來降低親和力。具體而言，這四個變數包括：偏離預測機器人類別均值、跨模態人類相似性不一致、預測不確定性以及觀測不確定性。
在模擬實驗中，研究人員驗證了類別模糊和外觀-運動不匹配確實會導致親和力下降，同時發現不確定效能夠重塑恐怖谷的形態。隨後，他們設計了一項人體實驗，使用機器人-人類漸變影像作為刺激材料，透過模糊先行機器人刺激來調節預測不確定性，透過模糊評價刺激來調節觀測不確定性。實驗結果顯示：增加觀測不確定性可以有效緩解中間人類相似度時熟悉度評分的下降，而較低的預測不確定性則能夠提高機器人外觀的評分。
這一研究的意義在於，它將恐怖谷這一經驗法則轉化為了一個可計算的理論框架，為演算法評估和最佳化人形機器人的外觀與行為提供了堅實的數學基礎。未來，設計師可以藉助該模型系統性地規避恐怖谷效應，創造出更受人們歡迎的機器人產品。