非标柔性产线中，协作机器人的决策透明度是影响操作员信任校准的关键因素——透明度不足导致信任不足（操作员过度干预），透明度过度则可能引发信息过载与认知负荷上升。现有透明度调节策略多为静态或基于任务阶段，缺乏对操作员实时认知状态的感知与响应。本文提出一种基于操作员眼动特征的自适应人机信任校准方法，实现机器人决策透明度的动态调节。首先，建立眼动特征与信任状态的映射模型，通过注视时长、瞳孔直径、扫视路径、回视次数等指标推断操作员的信任水平与认知负荷；其次，设计基于深度强化学习的透明度调节策略，根据实时眼动推断的信任偏差动态调整可视化决策信息的详细程度与呈现方式；然后，构建信任校准的闭环控制框架，将操作员的后续行为（干预/接受）作为反馈信号优化调节策略；最后，在非标柔性装配产线中开展用户实验。结果表明，该方法将操作员的信任校准指数降低62%，任务完成时间缩短28%，主观认知负荷评分降低41%，且眼动特征与信任状态的相关性达显著水平。本文为柔性产线中人机协作的信任管理提供了基于生理感知的自适应解决方案。
1. 引言
非标柔性产线的核心特征是小批量、多品种、频繁切换，这使得协作机器人需要在不断变化的任务环境中做出实时决策。操作员与机器人共享工作空间、共同完成任务，操作员对机器人决策的信任水平直接影响协作效率与安全性。信任校准——即操作员的信任水平与机器人实际能力相匹配——是人机协作成功的关键前提。信任不足导致操作员频繁干预，破坏协作流畅性；过度信任导致操作员放松监控，增加事故风险。
机器人决策透明度被认为是影响信任校准的核心因素之一。透明的决策过程（如显示机器人的预期轨迹、决策依据、置信度）有助于操作员形成准确的信任判断。然而，现有透明度策略面临两难：过度透明导致信息过载和认知负荷上升；透明度不足则使操作员无法理解机器人行为。更关键的是，最优透明度水平因人而异、因时而异——同一操作员在不同认知状态下对透明度的需求也不同。在非标柔性产线的动态环境中，这一矛盾尤为突出。
眼动追踪技术为解决这一问题提供了新可能。研究表明，眼动特征（注视分布、瞳孔直径、扫视路径等）可以无创、实时地反映操作员的认知负荷、注意力分配和信任水平。本文提出，利用眼动特征作为操作员认知状态的“生理窗口”，动态调节机器人决策透明度，实现信任的闭环校准。
2. 眼动特征与信任-认知状态的映射模型
2.1 眼动特征指标体系
基于人因工程与认知心理学研究，本文建立如下眼动特征指标体系：
注视时长：操作员对机器人决策信息区域的单次注视时间。较长的注视时长通常表示信息处理负荷较高或对信息内容存疑。在信任研究中，注视时长的异常延长往往反映操作员正在努力理解或验证某个决策信息。
注视次数与回视：对特定信息区域的注视频率和重复注视次数。研究表明，回视次数增加与环境复杂性正相关，与对机器人行为的确定性负相关。当操作员不信任机器人时，倾向于反复回视机器人的状态信息以寻求额外确认。
瞳孔直径：反映认知负荷和唤醒水平的生理指标。认知负荷增加时瞳孔直径显著扩大，这一关系已被大量研究验证。瞳孔直径的变化还具有时间上的超前性——认知负荷增加后约200-300ms瞳孔开始扩张，这为实时感知提供了可能。
扫视路径长度：视线在界面上的移动总距离。扫视路径延长通常表示信息搜索效率降低或决策不确定性增加。当透明度配置与操作员的认知状态不匹配时，扫视路径会显著延长。
注视分配比例：操作员在不同信息区域（机器人状态区、任务进度区、环境监控区）的注视时间分配。注视向机器人状态区的集中可能反映信任不足（需要额外验证），而忽视该区域可能反映过度信任。
2.2 信任状态的推断模型
将上述眼动特征作为输入，构建基于时序神经网络（TCN+Attention）的信任状态推断模型。模型输出三维信任状态向量：
信任水平：连续值[-1,1]，负值表示信任不足，正值表示过度信任，0表示校准良好。这一连续表示比离散分类更能精细刻画信任的动态变化。
认知负荷：连续值[0,1]，反映操作员当前的信息处理压力。认知负荷的实时感知是透明度调节的关键依据——若负荷已较高，则不宜增加透明度信息。
意图确定性：连续值[0,1]，反映操作员对机器人下一步行为的确信程度。意图确定性低时，操作员更可能进行干预，需要适当的透明度支持。
模型在离线阶段通过受控实验训练：让操作员在已知机器人可靠性（高/中/低）的条件下执行协作任务，同时采集眼动数据并标注信任水平，建立眼动-信任的监督学习映射。实验中采用固定式或穿戴式眼动仪，采样率不低于60Hz。
2.3 特征的有效性验证
在预实验中，招募12名操作员执行非标装配协作任务，同步采集眼动数据与主观信任评分。统计分析表明：瞳孔直径与认知负荷评分的相关系数为0.73；注视分配比例与信任水平呈显著负相关，即信任越低，操作员越频繁地注视机器人状态信息以进行验证；回视次数与意图确定性呈显著负相关。这些结果验证了眼动特征作为信任状态推断指标的有效性。
3. 透明度动态调节策略
3.1 透明度调节的维度与粒度
机器人决策透明度不是一个二元变量，而是多维度的连续谱系。本文定义三个可调节的透明度维度：
信息详细度：从“仅显示动作”到“显示动作+决策依据”到“显示动作+依据+备选方案+置信度”共三级。分级设计使得透明度可以在不引起认知负荷骤增的前提下平滑调整。
呈现方式：文本描述、可视化轨迹、增强现实叠加、语音播报等不同模态的组合。不同操作员对不同模态的偏好不同，同一操作员在不同认知状态下对模态的偏好也可能变化。
更新频率：决策信息的刷新速率，从实时更新到按需更新。高频更新提供更及时的信息但增加注意力消耗，低频更新减少干扰但可能导致信息滞后。
透明度调节策略的核心任务是根据操作员的实时信任状态，在上述三个维度上选择最优配置。
3.2 基于深度强化学习的调节策略
将透明度调节建模为马尔可夫决策过程：
状态空间：包含操作员的信任水平、认知负荷、任务阶段、机器人当前动作的置信度。状态空间的设计兼顾了认知状态、任务上下文和决策质量三个维度。
动作空间：透明度配置的三维组合——信息详细度三级，呈现方式四种可选，更新频率三级，共36种配置。为降低策略学习的复杂度，采用分层强化学习框架：高层策略选择透明度水平，低层策略选择具体配置。
奖励函数：综合优化目标——最小化信任偏差、最小化认知负荷、最大化任务效率。奖励函数的设计体现了多目标优化的思想，权重系数通过领域专家评分确定。
策略学习：采用近端策略优化算法，在仿真环境（模拟操作员-机器人交互）中预训练策略网络，再通过真实交互数据进行在线微调。仿真环境中的预训练降低了真实部署中的试错成本。
3.3 透明度调节的约束与边界
为避免过度调节导致操作员困惑，设定以下约束：透明度变化幅度限制（相邻决策周期内信息详细度变化不超过1级）；最低透明度保障（在机器人执行高风险动作时强制维持中等以上透明度）；调节平滑性（采用指数移动平均对策略输出进行平滑，避免频繁切换）。这些约束确保了透明度调节的连贯性和可预测性。
4. 信任校准的闭环控制框架
4.1 闭环架构
构建“感知-推断-决策-执行-反馈”的闭环控制框架：感知层实时采集操作员眼动数据；推断层通过眼动-信任映射模型输出信任水平与认知负荷估计；决策层根据信任状态输出透明度调节指令；执行层按指令调整决策信息的呈现；反馈层将操作员的后续行为作为长期反馈用于策略优化。这一闭环架构使信任校准从静态设计升级为动态调控。
4.2 信任偏差的校正机制
当推断层检测到信任偏差超过阈值时，系统启动校正：
信任不足：增加透明度（提高详细度、增加可视化），展示更多决策依据和预测轨迹，帮助操作员建立准确的信任判断。关键在于提供“为什么这样做”的解释，而非仅仅增加信息量。
过度信任：适度降低透明度（简化信息），同时突出显示不确定性（如用虚线表示低置信度轨迹），提醒操作员保持适当警惕。这一策略看似反直觉，但实证研究表明，适度降低透明度（去除冗余信息）反而有助于操作员更清晰地识别关键不确定性。
校正过程中持续监测眼动变化，若校正有效（信任偏差缩小），则逐渐恢复至中性透明度水平。
4.3 个性化适应
不同操作员对透明度的偏好和反应存在显著差异。系统通过在线学习实现个性化适应：记录每个操作员在不同透明度配置下的信任演化轨迹，更新策略中的偏好参数。经过约30分钟的交互适应后，系统可为特定操作员定制透明度调节策略。个性化适应是该方法从实验室走向工业应用的关键——在实际产线中，操作员的个体差异往往比任务差异对信任的影响更大。
5. 用户实验
在非标柔性装配模拟产线上开展用户实验。任务：操作员与协作机器人共同完成电子模块的装配，机器人负责零件抓取和定位，操作员负责精密安装和检测。招募36名操作员，随机分为三组：对照组（固定透明度）、静态自适应组（基于任务阶段调节透明度）、本文方法组（基于眼动特征的动态透明度调节）。每组完成20次装配任务，采集眼动数据、任务完成时间、主观评分。
实验结果表明，本文方法在信任校准指数上较对照组降低62%，较静态自适应组降低52%。任务完成时间分别缩短28%和20%。认知负荷评分显著低于两组对照组。干预次数/任务从对照组的4.2次降至1.8次，表明信任校准有效减少了不必要的人为干预。主观信任评分从4.8分提升至5.7分（7分制）。进一步分析发现，系统透明度调节后，操作员的注视分配比例与信任偏差的相关系数为0.61，瞳孔直径变化与认知负荷评分变化高度相关，验证了眼动特征作为实时反馈信号的可靠性。
6. 讨论
本文方法在以下条件下效果最佳：操作员与机器人有持续视觉交互（操作员视线可被追踪）；任务具有一定的认知复杂性（操作员需要理解机器人决策）；机器人决策具有可解释性（决策依据可被形式化呈现）。对于纯语音交互或远程操作场景，方法需要适配调整。
眼动数据的持续采集涉及操作员隐私。本文采用边缘计算架构：眼动原始数据在本地设备处理，仅上传脱敏后的特征向量；操作员可随时选择退出眼动采集（系统回退至静态透明度模式）。所有数据在使用后匿名化处理。隐私保护是生理信号交互技术大规模部署的前提条件。
当前研究局限包括：眼动仪在工业环境中的鲁棒性（光照变化、佩戴舒适性）仍需提升；模型对新手操作员的适应性需要更多数据训练；长期使用中操作员可能对透明度调节产生适应性，需要持续的策略更新。未来工作将融合多模态生理信号提升信任推断的准确性，并探索基于增强现实的透明度可视化方案。
7. 结论
本文提出了基于操作员眼动特征的自适应人机信任校准方法，实现了机器人决策透明度对操作员实时认知状态的动态响应。实验证明，该方法在信任校准、任务效率和认知负荷方面均显著优于静态和任务阶段式透明度策略。本文为非标柔性产线中人机协作的信任管理提供了基于生理感知的自适应解决方案，也为更广泛的人机信任研究提供了“感知-调节-验证”的方法论框架。
中研高科教育
