Robot

In corridors shared by humans and robots, mobile robots should follow paths that are comfortable for passengers and observers. Previous studies have examined straight corridors with uniform width; however, actual environments include varying-width corridors, such as hallways connected to open spaces or containing static obstacles. Comfortable path design in such environments is unclear, and differences between passenger and observer preferences remain underexplored. This study provides initial, context-specific empirical evidence on comfort preferences among robot paths in varying-width corridors from passenger and observer perspectives. Through experiments (n = 35), three paths were examined: a straight wall-following path, a center path with a small heading change, and a wall-following path with a larger heading change. Each path was evaluated in two perspectives (passenger and observer) and two environments with sudden or gradual width changes. Comfort was measured by ranking the three paths. A Plackett–Luce model was used to test within-condition path preferences, the effects of perspective and environment, and their interaction. Across all conditions, the straight wall-following path was mainly preferred. In the sudden-change environment, path preference differed significantly between perspectives: passengers preferred the center path over the path with the larger heading change, whereas observers showed no such preference and rated the latter relatively higher. No significant effect of environment or interaction was detected. These findings suggest that, within the scenarios tested, smaller heading changes are associated with comfort, whereas less center-aligned motion may be particularly relevant when observer comfort is prioritized.

The children’s intelligent companion robot market faces the industry-wide challenge of “high initial adoption yet low sustained retention.” Existing research has predominantly relied on single-method approaches, leaving the psychological mechanisms and configurational pathways driving user continuance intention insufficiently understood. This study constructs a sequential multi-method research framework integrating “BERTopic thematic mining—PLS-SEM linear validation—fsQCA configurational analysis.” Drawing on 6,405 valid online reviews from JD.com and 440 valid questionnaire responses, the study adopts an integrated theoretical framework combining the Expectation Confirmation Model (ECM) and the Value-based Adoption Model (VAM). BERTopic thematic mining identified six core demand dimensions from consumer reviews: perceived usefulness, perceived enjoyment, visual aesthetics, social/gifting value, technical reliability, and expectation confirmation. PLS-SEM analysis reveals that satisfaction is the strongest predictor of continuance intention ( β = 0.705, p < 0.001), explaining 50.3% of its variance ( R ² = 0.503). Perceived value ( R ² = 0.571) is jointly driven by expectation confirmation ( β = 0.230), perceived usefulness ( β = 0.197), technical reliability ( β = 0.163), social/gifting value ( β = 0.141), visual aesthetics ( β = 0.106), and perceived enjoyment ( β = 0.104). Notably, perceived enjoyment exhibits a distinctive dual-pathway mechanism, influencing continuance intention both indirectly through perceived value and directly through satisfaction ( β = 0.232, p < 0.001). Further fsQCA configuration analysis identified four configurations of high continuance intention (with a solution consistency rate of 0.811 and a coverage rate of 0.469), which can be grouped into three broader patterns based on their theoretical coherence: the “expectation confirmation-dominated” pattern (Configurations 1 and 2, with consistency rates of 0.855 and 0.839, respectively), the “full-dimensional attribute-driven” pattern (Configuration 3, consistency rate of 0.814), and the “Social-Hedonic Compensation” pattern (Configuration 4, consistency rate of 0.836), indicating substantial heterogeneity in continuance intention logic across different segments. Theoretically, this study extends the ECM-VAM framework to the context of children’s embodied intelligent products by introducing visual aesthetics and technical reliability as context-specific antecedents of perceived value, demonstrates that unstructured online review texts can serve as a valid source for the contextualized operationalization of theoretical constructs, and qualifies the linear assumptions of conventional net-effect models through a configurational perspective.

بازار ربات‌های هوشمند همدم کودکان با چالش فراگیر «پذیرش اولیه بالا اما نگهداشت پایین» مواجه است. پژوهش‌های پیشین عمدتاً بر رویکردهای تک‌روشی تکیه داشته‌اند و سازوکارهای روان‌شناختی و مسیرهای پیکربندی‌کننده قصد تداوم استفاده کاربران را به‌طور کافی روشن نکرده‌اند. این مطالعه چارچوب پژوهشی چندروشی متوالی را با ادغام «استخراج موضوعی BERTopic—اعتبارسنجی خطی PLS-SEM—تحلیل پیکربندی fsQCA» طراحی می‌کند. با استفاده از ۶٬۴۰۵ بازبینی آنلاین معتبر از JD.com و ۴۴۰ پرسشنامه معتبر، این پژوهش چارچوب نظری تلفیقی مبتنی بر مدل تأیید انتظارات (ECM) و مدل پذیرش مبتنی بر ارزش (VAM) را به کار می‌گیرد. استخراج موضوعی BERTopic شش بُعد اصلی تقاضا را از بازبینی‌های مصرف‌کنندگان شناسایی کرد: سودمندی ادراک‌شده، لذت ادراک‌شده، زیبایی‌شناسی بصری، ارزش اجتماعی/هدیه‌ای، پایایی فنی و تأیید انتظارات. تحلیل PLS-SEM نشان می‌دهد که رضایت قوی‌ترین پیش‌بینی‌کننده قصد تداوم استفاده است (β = 0.705, p < 0.001) و ۵۰.۳٪ از واریانس آن را تبیین می‌کند (R² = 0.503). ارزش ادراک‌شده (R² = 0.571) به‌طور مشترک توسط تأیید انتظارات (β = 0.230)، سودمندی ادراک‌شده (β = 0.197)، پایایی فنی (β = 0.163)، ارزش اجتماعی/هدیه‌ای (β = 0.141)، زیبایی‌شناسی بصری (β = 0.106) و لذت ادراک‌شده (β = 0.104) هدایت می‌شود. شایان توجه است که لذت ادراک‌شده سازوکار دو‌مسیره متمایزی را نشان می‌دهد و هم به‌طور غیرمستقیم از طریق ارزش ادراک‌شده و هم به‌طور مستقیم از طریق رضایت بر قصد تداوم استفاده تأثیر می‌گذارد (β = 0.232, p < 0.001). افزون بر این، تحلیل پیکربندی fsQCA چهار پیکربندی با قصد تداوم استفاده بالا را شناسایی کرد (با نرخ سازگاری راه‌حل 0.811 و نرخ پوشش 0.469) که می‌توان آن‌ها را بر اساس انسجام نظری در سه الگوی کلی دسته‌بندی کرد: الگوی «غلبه تأیید انتظارات» (پیکربندی‌های ۱ و ۲، با نرخ سازگاری 0.855 و 0.839)، الگوی «محرک تمام‌ابعادی ویژگی‌ها» (پیکربندی ۳، نرخ سازگاری 0.814) و الگوی «جبران اجتماعی-لذت‌گرایانه» (پیکربندی ۴، نرخ سازگاری 0.836)، که نشان‌دهنده ناهمگونی قابل توجه در منطق قصد تداوم استفاده در بخش‌های مختلف است. از منظر نظری، این پژوهش چارچوب ECM-VAM را با معرفی زیبایی‌شناسی بصری و پایایی فنی به عنوان پیشایندهای خاص زمینه‌ای ارزش ادراک‌شده، به حوزه محصولات هوشمند تجسم‌یافته کودکان گسترش می‌دهد، نشان می‌دهد که متون بازبینی آنلاین غیرساختاریافته می‌توانند منبع معتبری برای عملیاتی‌سازی زمینه‌ای سازه‌های نظری باشند و با رویکرد پیکربندی، مفروضات خطی مدل‌های اثر خالص متعارف را تعدیل می‌کند.

Abstract As autonomous systems become increasingly capable, the deployment of Human‐Multi‐Agent Teams (HMATs) offers immense potential for executing complex, decentralized tasks. However, realizing this potential is constrained by a critical bottleneck: the cognitive and supervisory capacity of the human operator. While foundational fan‐out models established crucial groundwork for predicting this capacity, they are structurally limited to sequential, one‐to‐one interactions and rely on ambiguous variables that often produce overly optimistic predictions in real‐world environments. This article synthesizes a multi‐year empirical research program to present a comprehensive, new framework for modeling human‐autonomy scalability. First, we deconstruct the variables of legacy models into human and robot elements, demonstrating that true scalability is a relational property driven by human‐robot alignment rather than raw machine autonomy. We then validate the necessity of a mathematically bounded architecture to ensure predictive stability under operational uncertainty. Finally, we extend this framework to mathematically capture the paradigm shift toward group‐based, one‐to‐many teaming. By analyzing the results of a complex, multi‐agent simulation, we reveal the fundamental, quantifiable trade‐off between increasing team scale and maintaining human oversight, providing AI system designers with a validated blueprint for optimizing the next generation of human‐autonomy teams.

چکیده: با افزایش توانمندی سامانه‌های خودمختار، به‌کارگیری تیم‌های انسان-چندعامل (HMATs) ظرفیت چشمگیری برای اجرای وظایف پیچیده و غیرمتمرکز فراهم می‌کند. با این حال، تحقق این ظرفیت با یک گلوگاه اساسی محدود می‌شود: ظرفیت شناختی و نظارتی اپراتور انسانی. اگرچه مدل‌های بنیادین fan-out زیرساخت مهمی برای پیش‌بینی این ظرفیت فراهم کرده‌اند، اما این مدل‌ها به‌طور ساختاری به تعاملات متوالی و یک‌به‌یک محدود هستند و به متغیرهای مبهمی متکی‌اند که اغلب منجر به پیش‌بینی‌های بیش از حد خوش‌بینانه در محیط‌های واقعی می‌شوند. این مقاله با تلفیق یک برنامه پژوهشی تجربی چندساله، چارچوبی جامع و نوین برای مدل‌سازی مقیاس‌پذیری انسان-خودمختاری ارائه می‌دهد. نخست، متغیرهای مدل‌های پیشین به عناصر انسانی و رباتیکی تجزیه می‌شوند و نشان داده می‌شود که مقیاس‌پذیری واقعی یک ویژگی رابطه‌ای است که توسط هم‌راستایی انسان-ربات هدایت می‌شود و نه صرفاً خودمختاری ماشین. سپس، ضرورت وجود معماری با مرزهای ریاضی برای تضمین پایداری پیش‌بینی در شرایط عدم قطعیت عملیاتی اعتبارسنجی می‌شود. در نهایت، این چارچوب برای مدل‌سازی ریاضی تغییر پارادایم به سوی تیم‌سازی گروهی و یک‌به‌چند گسترش می‌یابد. با تحلیل نتایج یک شبیه‌سازی پیچیده چندعامله، مبادله اساسی و قابل سنجش میان افزایش مقیاس تیم و حفظ نظارت انسانی آشکار می‌شود و الگویی معتبر برای بهینه‌سازی نسل آینده تیم‌های انسان-خودمختاری در اختیار طراحان سامانه‌های هوش مصنوعی قرار می‌گیرد.

Physical interior elements are increasingly becoming roboticised to support occupant needs. Partitions, ceilings, and furniture can now physically and autonomously change shape or move to architecturally “adapt” indoor spaces, with the aim of improving occupant comfort, satisfaction, and wellbeing. However, occupants sometimes reject these adaptations when they are perceived as disruptive, unpredictable, or difficult to control. Motivated by the goal of making architectural robots more acceptable, we involved an interdisciplinary team of experts in human-building interaction, human-robot interaction, psychology, anthropology, and human comfort to qualitatively re-analyze how occupants accepted adaptations across three previous studies on robotic partitions. We found that an occupant tended to accept an adaptation when they recognized a personal need that the architectural robot was capable of addressing in a socially justifiable way. Accordingly, we developed the Architectural Robot Acceptance Model (ARAM), in which three qualitative thresholds along a continuum of perceived stress severity define four distinct acceptance responses to a specific adaptation. As the positions of these thresholds may vary across occupants and situations, ARAM supports testable estimates of how an occupant may respond to different appraisal states of personal need, adaptation capability, and social justification. Because architectural robot adaptations may simultaneously be experienced as robotic behaviors, building automation, and socially situated environmental adjustments, ARAM is particularly relevant to individual adaptations that enter occupants' spatial experience and may affect co-located others. We then discuss how the model can inform situated estimates of occupant acceptance of architectural robot adaptations, and outline how its broader relevance to other robotic, automated, intelligent, and smart technologies embedded in the built environment may be evaluated in future work.

عناصر فیزیکی داخلی به طور فزاینده‌ای رباتیک می‌شوند تا نیازهای ساکنان را پشتیبانی کنند. دیوارهای جداکننده، سقف‌ها و مبلمان اکنون می‌توانند به صورت فیزیکی و خودکار شکل خود را تغییر دهند یا جابه‌جا شوند تا فضاهای داخلی را به طور معماری «سازگار» کنند، با هدف بهبود راحتی، رضایت و سلامت روانی ساکنان. با این حال، گاهی ساکنان این سازگاری‌ها را زمانی که آن‌ها را مخرب، غیرقابل پیش‌بینی یا دشوار برای کنترل درک می‌کنند، رد می‌کنند. با انگیزه افزایش پذیرش ربات‌های معماری، یک تیم میان‌رشته‌ای از متخصصان تعامل انسان-ساختمان، تعامل انسان-ربات، روان‌شناسی، انسان‌شناسی و راحتی انسان را درگیر کردیم تا به طور کیفی بازتحلیل کنیم که چگونه ساکنان در سه پژوهش پیشین درباره دیوارهای جداکننده رباتیک، سازگاری‌ها را پذیرفته‌اند. دریافتیم که یک ساکن زمانی تمایل به پذیرش یک سازگاری دارد که یک نیاز شخصی را تشخیص دهد که ربات معماری قادر به پاسخگویی به آن به شیوه‌ای اجتماعی-قابل توجیه باشد. بر این اساس، مدل پذیرش ربات معماری (ARAM) را توسعه دادیم که در آن سه آستانه کیفی در امتداد یک پیوستار شدت استرس ادراک‌شده، چهار پاسخ پذیرش متمایز نسبت به یک سازگاری خاص را تعریف می‌کند. از آنجا که موقعیت این آستانه‌ها ممکن است در میان ساکنان و موقعیت‌ها متفاوت باشد، آرام امکان برآوردهای آزمون‌پذیر از نحوه واکنش یک ساکن به وضعیت‌های ارزیابی نیاز شخصی، قابلیت سازگاری و توجیه اجتماعی را فراهم می‌کند. از آنجا که سازگاری‌های رباتیک معماری ممکن است همزمان به عنوان رفتارهای رباتیک، خودکارسازی ساختمان و تنظیمات محیطی اجتماعی-موقعیتی تجربه شوند، آرام به ویژه برای سازگاری‌های فردی که وارد تجربه فضایی ساکنان می‌شوند و ممکن است بر دیگران هم‌مکان تأثیر بگذارند، مرتبط است. سپس بحث می‌کنیم که چگونه این مدل می‌تواند برآوردهای موقعیتی از پذیرش ساکنان نسبت به سازگاری‌های رباتیک معماری را اطلاع‌رسانی کند و چگونگی ارزیابی ارتباط گسترده‌تر آن با سایر فناوری‌های رباتیک، خودکار، هوشمند و هوش‌مند تعبیه‌شده در محیط ساخته‌شده را در پژوهش‌های آتی ترسیم می‌کنیم.

A growing corpus of experimental research demonstrates that neuroimaging data can be leveraged to improve the performance of artificial intelligence models, including reinforcement learning models in robotics. However, most existing studies have focused on vision, audition, language, or reward and error signals recorded while the human brain acts as an observer. In this paper, we argue that humanoid robots, although not equivalent to humans, could offer a unique opportunity to use the neural signals associated with touch, or other embodiment-dependent neural signals. As a result, humanoid robots could significantly expand the range of brain regions and functional networks that could be targeted for brain-trained artificial intelligence, and open new horizons in terms of alignment and reasoning. We discuss the improvements that neuroimaging data could potentially unlock in the context of sensorimotor tasks, spatial navigation, sensorimotor integration, embodied alignment, embodied reasoning, and social integration, as well as the broader challenges and opportunities related to brain-trained humanoid robots.

بدنه‌ای رو‌به‌رشد از پژوهش‌های تجربی نشان می‌دهد که داده‌های تصویربرداری عصبی می‌تواند برای بهبود عملکرد مدل‌های هوش مصنوعی، از جمله مدل‌های یادگیری تقویتی در رباتیک، مورد استفاده قرار گیرد. با این حال، بیشتر مطالعات موجود بر بینایی، شنوایی، زبان یا سیگنال‌های پاداش و خطا که در حالی ثبت شده‌اند که مغز انسان به عنوان ناظر عمل می‌کند، تمرکز داشته‌اند. در این مقاله، استدلال می‌کنیم که ربات‌های انسان‌نما، اگرچه معادل انسان نیستند، می‌توانند فرصت منحصربه‌فردی برای استفاده از سیگنال‌های عصبی مرتبط با لمس یا سایر سیگنال‌های عصبی وابسته به تجسم فراهم کنند. در نتیجه، ربات‌های انسان‌نما می‌توانند دامنه نواحی مغزی و شبکه‌های عملکردی هدف برای هوش مصنوعی آموزش‌دیده با مغز را به طور قابل توجهی گسترش دهند و افق‌های جدیدی در زمینه هم‌ترازی و استدلال بگشایند. ما بهبودهایی را که داده‌های تصویربرداری عصبی می‌تواند بالقوه در زمینه وظایف حسی-حرکتی، ناوبری فضایی، یکپارچگی حسی-حرکتی، هم‌ترازی تجسم‌یافته، استدلال تجسم‌یافته و یکپارچگی اجتماعی ایجاد کند، همچنین چالش‌ها و فرصت‌های گسترده‌تر مرتبط با ربات‌های انسان‌نمای آموزش‌دیده با مغز را مورد بحث قرار می‌دهیم.

OBJECTIVE: The combination of action observation and motor imagery (AO+MI) has emerged as a promising neurorehabilitation strategy to promote sensorimotor plasticity without real movement, making it particularly valuable for individuals whose motor capacity is limited or absent. Improving AO+MI protocols requires understanding whether different observation stimuli engage the sensorimotor system to varying degrees, as the quality of cortical activation during each training trial may directly influence cumulative neuroplastic outcomes. The present study aimed to determine how the observation modality influences the activation of the sensorimotor cortex during synchronous AO+MI. APPROACH: Here, we investigated the effects of three observation modalities: immersive virtual reality (iVR), two-dimensional video and real-world observation of a robotic agent, on sensorimotor cortical engagement, using Event-Related Desynchronization (ERD) as a neurophysiological marker. Electroencephalographic (EEG) signals were recorded from fifteen healthy participants across three sessions, one per modality, while they observed a humanoid robot performing arm elevation movements and simultaneously engaged in motor imagery of the same movements. ERD was computed for alpha and beta frequency bands over eight electrodes covering frontocentral, central, and centroparietal regions. MAIN RESULTS: Statistical analyses revealed significant modality-dependent differences in sensorimotor cortical engagement across multiple frequency bands, electrode locations, and movement types. Immersive virtual reality consistently elicited the strongest desynchronization, with robust effects in the beta band over frontocentral and right centroparietal regions, and in the alpha band over the right central motor cortex. SIGNIFICANCE: These results demonstrate that the modality of action observation significantly shapes sensorimotor cortical engagement during AO+MI. Our findings also support the integration of immersive virtual reality as a neurophysiological grounded tool for optimizing AO+MI-based neurorehabilitation protocols and brain-computer interface applications.

هدف: ترکیب مشاهده عمل و تصویرسازی حرکتی (AO+MI) به‌عنوان یک راهبرد نویدبخش در نوروهیبیلیتیشن برای ارتقای پلاستیسیتی حسی‌حرکتی بدون حرکت واقعی مطرح شده است و به‌ویژه برای افرادی که ظرفیت حرکتی آن‌ها محدود یا غایب است، ارزشمند می‌باشد. بهبود پروتکل‌های AO+MI مستلزم درک این موضوع است که آیا محرک‌های مشاهده‌ای مختلف، سیستم حسی‌حرکتی را به درجات متفاوتی درگیر می‌کنند یا خیر، چرا که کیفیت فعال‌سازی قشری در هر نوبت تمرین ممکن است به‌طور مستقیم بر پیامدهای تجمعی نورولاستیک تأثیر بگذارد. مطالعه حاضر با هدف تعیین چگونگی تأثیر شیوه مشاهده بر فعال‌سازی قشر حسی‌حرکتی در حین AO+MI همزمان انجام شد. روش: در این پژوهش، اثرات سه شیوه مشاهده شامل واقعیت مجازی فراگیر (iVR)، ویدئوی دوبعدی و مشاهده دنیای واقعی یک عامل رباتیک بر درگیری قشری حسی‌حرکتی با استفاده از شاخص غیربسامدسازی وابسته به رویداد (ERD) به‌عنوان نشانگر نوروفیزیولوژیک بررسی شد. سیگنال‌های الکتروانسفالوگرافی (EEG) از پانزده شرکت‌کننده سالم در سه جلسه (هر جلسه یک شیوه) ثبت شد، در حالی که آن‌ها حرکات بالا بردن بازوی یک ربات انسان‌نما را مشاهده می‌کردند و به‌طور همزمان به تصویرسازی حرکتی همان حرکات می‌پرداختند. ERD برای باندهای فرکانسی آلفا و بتا بر روی هشت الکترود پوشش‌دهنده نواحی فرونتو‌سنتـرال، سنتـرال و سنتروپریتال محاسبه شد. نتایج اصلی: تحلیل‌های آماری تفاوت‌های معنادار وابسته به شیوه مشاهده را در درگیری قشری حسی‌حرکتی در چندین باند فرکانسی، محل الکترود و نوع حرکت نشان داد. واقعیت مجازی فراگیر به‌طور پیوسته قوی‌ترین غیربسامدسازی را ایجاد کرد، با اثرات بارز در باند بتا بر نواحی فرونتو‌سنتـرال و سنتروپریتال راست، و در باند آلفا بر قشر حرکتی مرکزی راست. اهمیت: این نتایج نشان می‌دهد که شیوه مشاهده عمل به‌طور معناداری الگوی درگیری قشری حسی‌حرکتی را در حین AO+MI شکل می‌دهد. یافته‌های ما همچنین از ادغام واقعیت مجازی فراگیر به‌عنوان ابزاری مبتنی بر شواهد نوروفیزیولوژیک برای بهینه‌سازی پروتکل‌های نوروهیبیلیتیشن مبتنی بر AO+MI و کاربردهای رابط مغز و رایانه حمایت می‌کند.