人类-机器人信任数据集

本研究构建了一个名为'人类-机器人信任数据集'的专用数据集，由美国弗吉尼亚大学工程与应用科学学院的研究人员创建。该数据集通过一个旨在引发信任和不信任实例的人类-机器人监督互动研究得来，包含了30名参与者的生理测量（如皮肤电活动、血容量脉冲、皮肤温度）、注视位置以及面部表情动作单元强度数据。这些数据与参与者对机器人伙伴的信任度自我报告相结合，用于训练机器学习模型，以识别对机器人信任的客观数据指标。数据集的应用领域是人类-机器人交互，旨在解决实时监测和预测人类对机器人伙伴信任度的问题。

This study constructs a specialized dataset named 'Human-Robot Trust Dataset', created by researchers from the Engineering and Applied Science School at the University of Virginia. The dataset is derived from a human-robot supervised interaction study designed to elicit instances of trust and distrust, and includes physiological measurements (such as skin conductance activity, blood volume pulse, skin temperature), gaze positions, and intensity data of facial expression action units from 30 participants. These data are combined with the participants' self-reported trust in the robotic partner to train machine learning models that can identify objective data metrics of trust in robots. The application domain of the dataset is human-robot interaction, aiming to address the issue of real-time monitoring and prediction of the trust level of human partners in robots.

搜集汇总

数据集介绍

构建方式

人类-机器人信任数据集通过精心设计的监督交互研究构建，旨在捕捉人类对机器人伙伴的信任动态。研究采用非侵入式传感器（如Empatica E4智能手表）收集参与者的生理数据，包括皮肤电活动（EDA）、血容量脉冲（BVP）和皮肤温度（TEMP），同时利用Pupil Invisible眼动追踪眼镜记录凝视数据，并通过高清外部摄像头捕捉面部表情的动作单元（AU）。实验设计模拟了制造环境，参与者需监督机器人完成三明治组装任务，并通过主观问卷调查（Muir信任调查）报告其信任水平，从而为数据集提供标签。

特点

该数据集的特点在于其多模态数据的全面性和非侵入式采集方式。它不仅包含了丰富的生理指标（EDA、BVP、TEMP）、凝视数据（x-y坐标）和面部表情（17种AU），还通过基线会话对个体生理差异进行了归一化处理，增强了数据的可比性。此外，数据集将信任视为一个连续的区间值（从“强烈不信任”到“强烈信任”），更真实地反映了信任的动态本质。数据的高采样频率（如BVP为64 Hz，凝视数据为200 Hz）和精心设计的时间窗口（30秒窗口，10秒滑动）进一步提升了数据的时空分辨率。

使用方法

该数据集适用于训练机器学习模型以实时预测人类对机器人的信任水平。研究人员可提取各模态数据的均值和标准差作为特征，并利用随机森林（RF）、极端随机树（ET）或决策树（DT）等分类器进行模型训练。数据已按任务分段并标注，支持10折交叉验证以评估模型性能。为优化预测效果，建议优先组合EDA、TEMP和凝视数据，并避免冗余的BVP或AU特征。数据集还可用于探索个性化信任模型，通过基线生理数据适配个体差异。

背景与挑战

背景概述

人类-机器人信任数据集由Haley N. Green和Tariq Iqbal于2025年创建，旨在通过生理指标、注视行为和面部表情等多模态数据，建模人类对机器人伙伴的信任。该数据集首次设计了面对面的人机监督交互实验，填补了实时客观信任测量在人类-机器人交互（HRI）领域的空白。其核心研究问题聚焦于如何利用非侵入式传感器捕捉的生理信号（如血容量脉冲、皮肤电活动、体温）和行为特征，构建可解释的信任预测模型。该工作得到美国空军科学研究办公室青年研究者计划支持，相关成果发表于机器人学顶刊，为医疗、制造等场景中的人机协作信任校准提供了重要基准。

当前挑战

该数据集面临双重挑战：在领域问题层面，传统信任测量依赖主观问卷，难以满足实时交互需求，而现有生理测量方法存在侵入性强（如需头皮电极）、模态单一等问题；在构建过程中，需解决多源传感器同步（腕表、眼动仪、摄像头）、个体生理基线差异归一化，以及模拟真实制造场景诱发信任动态变化等难题。此外，面部动作单元数据易受光照和头部姿态干扰，血容量脉冲信号对运动伪影敏感，均对模型鲁棒性提出更高要求。

常用场景

经典使用场景

人类-机器人信任数据集在机器人行为优化和人机交互研究中具有重要价值。该数据集通过采集人类在监督机器人执行任务时的生理指标（如皮肤电活动、血容量脉冲、皮肤温度）、注视行为和面部表情数据，为研究人机信任关系提供了多模态的客观测量方法。在经典使用场景中，研究者利用机器学习算法分析这些生理和行为特征，建立人类对机器人信任度的预测模型，从而理解不同情境下人类信任的形成机制。

解决学术问题

该数据集有效解决了人机交互领域关于信任测量的关键学术问题。传统信任评估主要依赖主观问卷，难以实现实时监测。通过融合非侵入式生理传感技术，该数据集首次实现了对信任这一复杂心理构念的客观量化，为建立实时信任预测模型奠定了基础。研究结果表明，结合皮肤电活动、皮肤温度和注视数据的Extra Trees分类器能达到97.5%的准确率，这一突破性进展显著推动了人机信任动态建模的研究进程。

衍生相关工作

该数据集催生了一系列人机信任建模的创新研究。基于其多模态特征，学者们开发了结合强化学习的动态信任校准算法，应用于医疗机器人决策系统；另有研究扩展了跨文化信任差异分析，比较不同人群对机器人失误的生理反应模式。数据集还被用于验证新型可解释AI模型，使机器人能向人类合理解释其信任推理过程，这些衍生工作显著丰富了人机交互研究的理论框架和应用前景。