대규모 언어 모델을 인간-로봇 상호작용을 위한 제로샷 인간 모델로서 활용하기

인간 모델은 인간-로봇 상호작용(HRI)에서 중요한 역할을 하며, 로봇이 사람에게 미치는 행동의 영향을 고려하고 행동을 계획할 수 있게 해줍니다. 그러나 좋은 인간 모델을 만드는 것은 도전적입니다; 맥락에 따라 달라지는 인간 행동을 포착하기 위해서는 상당한 사전 지식과/또는 대량의 상호작용 데이터가 필요하지만, 이 둘 모두 얻기 어렵습니다. 본 연구에서는 방대한 양의 인간 생성 텍스트 데이터를 소비한 대규모 언어 모델(LLMs)이 HRI를 위한 제로샷 인간 모델로 작용할 가능성을 탐구합니다. 세 가지 사회적 데이터셋에 대한 우리의 실험은 유망한 결과를 도출합니다; LLMs는 목적에 맞게 설계된 모델과 유사한 성능을 달성할 수 있습니다. 그럼에도 불구하고, 우리는 프롬프트에 대한 민감성과 공간/수치 추론 실수와 같은 현재의 한계를 논의합니다. 우리의 발견을 바탕으로, LLM 기반 인간 모델이 사회적 로봇의 계획 과정에 통합되고 신뢰라는 중요한 요소에 중점을 둔 HRI 시나리오에 적용되는 방법을 보여줍니다. 특히, 신뢰 기반 테이블 정리 작업에 대한 시뮬레이션 사례 연구를 제시하고, 맞춤형 모델에 의존했던 과거 결과를 복제합니다. 다음으로, 새로운 로봇 식기 전달 실험(n=65)을 수행하며, 초기 결과가 LLM 기반 인간 모델로 계획할 때 기본적인 근시안적 계획보다 성과를 향상시킬 수 있음을 보여줍니다. 요약하자면, 우리의 결과는 LLM이 HRI를 위한 인간 모델링에 대해 유망하지만 불완전한 접근 방식을 제공함을 보여줍니다.