1. 引言
在当今科技快速发展的时代，送餐机器人作为餐饮服务业的新兴力量，正逐步改变传统的服务模式。它们不仅提升了服务效率，降低了人力成本，还为顾客带来了前所未有的就餐体验。然而，尽管功能日益完善，送餐机器人在造型设计和情感化设计方面的研究却相对滞后。因此本文将基于感性工学视角，探讨送餐机器人设计中的人性化和情感化要素，以期提高其在实际应用中的用户体验和市场竞争力。
近年来，感性工学多用于将抽象的感性需求转化为具体的设计要素，以指导产品开发过程[1] [2]。在机器人产品设计领域，司念在其研究中，针对儿童伴读机器人的造型设计，采用语义差异法和主观里克特量表进行感性认知分析，通过多元线性回归分析建立了外观造型特点与特定感性意向之间的映射关系[3]。该研究强调了在消费意识形态升级和产品设计多元化的背景下，情感价值在工业产品设计中的突出地位，并指出感性工学方法的应用能够满足消费者在感性层面对产品的需求，提升产品的附加价值。此外，陈龙和肖旺群将感性工学理论引入工业机器人的造型设计中。通过对国内外知名品牌工业机器人的外观研究，使用语义差分法和KJ法从“感觉”、“知觉”、“联想”三个层面提取设计要素，形成产品语义空间，并将其应用到工业机器人造型设计上，为工业机器人的造型设计提供了一种参考方法[4]。
除感性工学的定量映射外，服务机器人的设计亦需考量其作为社会主体的交互属性。Norman的情感化设计三层次理论为本研究提供了更丰富的解读视角：机器人的造型与CMF (本能层)需引发用户积极的第一印象；其交互逻辑与移动效率(行为层)决定了使用的便捷与可靠；而整体设计所传达的品牌调性与价值理念(反思层)则能建立长久的情感连接。本研究对意象的探索，也需要注意与行为层和反思层的设计目标密切相关。
本文将感性工学的研究方法引入送餐机器人中，通过将用户的感性需求转化为具体可操作的设计参数，设计师能够创造出更符合用户期望的机器人产品，增强用户体验。
2. 研究思路与研究方法
2.1. 研究思路
本研究采取了一系列系统化步骤，以深入探讨并实现基于感性工学的送餐机器人设计。研究首先从广泛搜集与送餐机器人相关的感性词汇开始，这些词汇直接关联用户对机器人的情感反应和设计偏好。紧接着，通过精心筛选，收集了大量具有代表性的送餐机器人图片样本，确保研究的多样性和广泛性。这些样本经过细致分类，以识别出不同的设计特征和用户情感意向。随后，对收集到的感性词汇进行严格筛选，通过定性分析和定量计算，挑选出关键词汇，准确描述用户的情感体验。在此基础上，设计并实施了问卷调研，收集用户对不同送餐机器人样本的感性评价。问卷数据经过严格的统计处理，包括定性与定量分析，确保了数据的准确性和可靠性。进一步的数据分析阶段，通过建立数学模型，计算并分析了感性词汇与设计元素之间的相关性，使用类目分析确定了项目。最终，基于数据分析结果，开展了送餐机器人的设计实践，将理论研究转化为具体的设计解决方案，旨在推动感性工学在产品设计领域的应用，为用户提供更加丰富和深刻的情感体验。这一连贯的研究流程不仅揭示了创新的送餐机器人设计方案，而且为智能服务领域的发展提供了理论和实践的指导，研究路线图见图1。
Figure 1. Research roadmap
图1. 研究路线图
2.2. 研究方法
在本研究中，综合运用了多种研究方法，以确保对送餐机器人设计要素的全面理解和深入分析。
(1) KJ法：KJ法，由日本学者川喜田二郎提出，是一种创新思维和信息组织技术[5]。本研究利用KJ法对收集到的大量关于送餐机器人的用户意见和设计要素进行卡片式分类和组织，促进了设计要素的系统化整理和创新概念的生成。通过这种方法，能够识别出关键的设计要素，并对其进行优先级排序。
(2) 语义差分法：语义差分法是一种心理学测量工具，用于评估用户对产品特征的感性认知[6]。本研究中，通过设计问卷，采用成对的形容词让参与者对送餐机器人的不同特征进行评分。这种方法帮助量化了用户的情感反应，并揭示了用户对机器人设计的具体感知。
(3) 主成分分析法：主成分分析(PCA)是一种统计技术，用于降维和数据模式识别。在本研究中，PCA用于处理问卷调查数据，通过提取主成分来减少变量数量，同时保留数据集中的主要变异性。这使得研究者能够识别出影响用户情感体验的关键设计特征，并为后续的因子分析提供了基础。
(4) 因子分析法：因子分析是另一种用于识别数据潜在结构的统计方法。在完成主成分分析后，本研究进一步应用因子分析来探索设计要素背后的潜在因子。通过这种方法，能够将多个相关设计要素归纳为几个主要因子，从而更清晰地理解设计要素与用户感性需求之间的关系。
3. 送餐机器人的造型意象
产品意象中的意象是指产品的设计思想、情感、意义和设计理念，意象就是指以意成象，建构产品艺术形象[6] [7]。长町三生[8]认为，产品整体给人的心理感受就是产品意象，即基于人对产品的认知，产品通过自身的造型、色彩、质感等要素体现产品的文化内涵，形成产品所要传达的语言。Mata等[9]通过文献研究也发现感知术语与美学特征的确存在联系。
3.1. 意象词汇收集与筛选
通过前沿机器人设计杂志、网络及相关书籍文献等渠道广泛搜集描述送餐机器人造型的形容词200余个，并综合运用了词汇分类法、归纳法以及KJ法，对意象词汇进行系统的整理与分析。通过这种方法的融合，实现了对词汇的分组和归纳，进而从众多词汇中识别出与送餐机器人设计紧密相关的关键词。共得出“现代的、亲和的、流畅的、智能的、灵敏的、可靠的”等6个词汇，并选出相应的反义词汇与之匹配，即：过时的、冷漠的、生硬的、原始的、迟钝的、脆弱的，用于设计最终的语义差异法量表。
3.2. 产品样本生成
产品样本的选择对于确保评价实验的严谨性和结论的科学性至关重要，因此采取了广泛搜集的方法，以确保样本的多样性和代表性。通过浏览社交媒体、设计论坛、专业网站等多种渠道，收集了一系列的送餐机器人产品样本。在初步搜集后，我们对样本进行了筛选，剔除了外观相似度较高的样本，以减少样本间的重复性，最终得到10个送餐机器人的产品样本及图片，见图2。为了降低色彩对消费者感性评价的潜在影响，本文搜集到的产品样本均处理成单色。
Figure 2. Product sample selection
图2. 产品样本选择
3.3. 产品特征及设计要素
在本研究中，对送餐机器人的造型设计进行了系统化的分析，深入探讨了影响其外观和功能的关键结构和元素。送餐机器人一般由机壳、移动系统、装载单元、交互屏幕、传感器、摄像头及附加机械组件等设计要素组成。考虑到设计要素的优先级，本研究仅以机壳、移动系统、装载单元、交互屏幕四部分特征作为研究对象。
对产品样本进行综合分析，将其主要构件按照不同的设计特征进行分类。机壳可以根据其整体形式分为整体式造型和分体式造型；同时可以根据整体形状分为圆形机壳和方形机壳；移动系统可以根据具体结构分为轮式移动系统与履带式移动系统；装载单元可以根据其容量分为大容量装载与小容量装载；同时可以根据其食物存放方式分为托盘式装载与箱式装载；交互屏幕根据其形状可以分为方形屏幕和圆形屏幕；根据其尺寸可以分为大尺寸屏幕与小尺寸屏幕。以上共计14个设计要素。
3.4. 未来研究可拓展的设计要素维度
可以发现，现有的研究多集中于静态造型要素的分析，然而“多模态交互”和“综合体验”正在逐渐成为影响用户对产品的感性认知的重要组成部分。目前对于CMF、动态灯光反馈以及机器人移动姿态等动态交互要素如何协同影响用户感性认知的探讨尚显不足。随着服务机器人从功能化向情感化演进，构建一个融合静态与动态要素的综合性感性评价体系显得尤为重要。
本研究主要聚焦于形态与结构等核心造型要素。为进一步提升模型的解释力与预测力，未来的研究可将分析框架拓展至更多维度。例如，色彩可细分为冷色调/暖色调、高饱和度/低饱和度；材质可区分为高光/哑光、柔软/坚硬触感；灯光可研究其颜色、动态效果(如呼吸灯)与位置；交互行为则包括移动速度的平稳性、避障时的流畅度、屏幕显示的动画风格等。此外，将“使用场景”(如高端餐厅与快餐店)作为调节变量，可深入探讨不同环境背景下用户感性需求的差异性。
4. 感性测量
4.1. 建立语义差分量表
将最终挑选的6对感性形容词汇和10个产品样本建立5级语义差分量表，制成10个感性量表，进行调研分析，见表1。
Table 1. Inductive scale for product samples
表1. 产品样本感性量表
现代的 |
1 |
2 |
3 |
4 |
5 |
过时的 |
亲和的 |
1 |
2 |
3 |
4 |
5 |
冷漠的 |
流畅的 |
1 |
2 |
3 |
4 |
5 |
生硬的 |
智能的 |
1 |
2 |
3 |
4 |
5 |
原始的 |
灵敏的 |
1 |
2 |
3 |
4 |
5 |
迟钝的 |
可靠的 |
1 |
2 |
3 |
4 |
5 |
脆弱的 |
4.2. 产品样本感性评价
选择118名人员进行感性问卷调查。其中95名为消费者，23名为对送餐机器人熟悉的设计人员。83%受试者年龄在20~35岁之间，17%受试者年龄位于36~45周岁之间，男女比例接近于1:1。共收集有效问卷100份。
5. 实验结果分析与结论
对问卷结果进行数据统计，计算出各样本对应的感性词汇所得的平均分，并通过EXCEl软件生成折线图，见图3。
Figure 3. Sample score line chart analysis
图3. 样本分数折线图分析
通过综合考量各个产品样本的设计特征以及与这些特征相关联的感性词汇的评分数据，本研究旨在识别关键设计要素，这些要素在传达特定感性概念方面表现最为突出。为了深入挖掘数据背后的模式和联系，研究中采用了统计学软件SPSS进行因子分析，从而将复杂的数据集转化为易于理解的因子结构。
将数据导入SPSS软件进行数据分析，利用KMO值检验其各变量之间的相关性，结果见表2。当KMO大于0.6越接近于1时，越适合进行因子分析。因此，所获取的问卷数据是有效的，进行下一步的降维分析，提取主要的感性意象。
Table 2. KMO analysis table
表2. KMO分析表
KMO和巴特利特检验 |
|
|
KMO取样适切性量数 |
|
0.821 |
巴特利特球形度检验 |
近似卡方 |
740.522 |
|
自由度 |
15 |
|
显著性 |
0 |
本研究通过采用主成分分析法，得到碎石图(见图4)以及总方差解释(见表3)，确定因子主成分个数，提取出影响消费者对平衡车感性需求的主成分。从数据可知，两个公因子的初始特征值和旋转载荷平方和的综合均大于1，由此可知，有两个主成分对送餐机器人的设计有重要影响。根据旋转后因子载荷矩阵可以分析出与各个主成分之间关系紧密的感性词汇，可以看出：与主成分1关系紧密的感性词汇对为“现代的–过时的”“智能的–原始的”“灵敏的–迟钝的”；与主成分2关系紧密的感性词汇对为“亲和的–冷漠的”“流畅的–生硬的”“可靠的–脆弱的”。将上述六组感性词汇归纳到两个公因子中，按照因子载荷量的大小对感性意象词汇进行排序，结果见表4，因子载荷量的绝对值越大，其与公因子的相关性也就越强。
Figure 4. Crushed stone diagram
图4. 碎石图
Table 3. Total variance explained
表3. 总方差解释
总方差解释 |
成分 |
初始特征值 |
提取载荷平方和 |
旋转载荷平方和 |
总计 |
方差百分比 |
累积% |
总计 |
方差百分比 |
累积% |
总计 |
方差百分比 |
累积% |
1 |
4.305 |
71.745 |
71.745 |
4.305 |
71.745 |
71.745 |
2.884 |
48.063 |
48.063 |
2 |
1.17 |
19.506 |
91.251 |
1.17 |
19.506 |
91.251 |
2.591 |
43.188 |
91.251 |
3 |
0.299 |
4.979 |
96.231 |
|
|
|
|
|
|
4 |
0.129 |
2.148 |
98.378 |
|
|
|
|
|
|
5 |
0.054 |
0.906 |
99.285 |
|
|
|
|
|
|
6 |
0.043 |
0.715 |
100 |
|
|
|
|
|
|
Table 4. Component matrix
表4. 成分矩阵
旋转后的成分矩阵a |
|
|
|
成分 |
|
|
1 |
2 |
智能的 |
0.947 |
0.252 |
现代的 |
0.935 |
0.309 |
灵敏的 |
0.931 |
0.314 |
亲和的 |
0.358 |
0.887 |
可靠的 |
0.249 |
0.883 |
流畅的 |
0.232 |
0.876 |
提取方法：主成分分析法。 |
|
|
旋转方法：凯撒正态化最大方差法。 |
|
|
a旋转在3次迭代后已收敛。 |
|
|
设计需求分析
根据上述定量分析可知，“智能的”，“现代的”对送餐机器人造型设计影响最大。通过图3可知，得分最高的产品是样本4、样本8和样本10。得分最低的产品样本是样本5和样本3。通过比较这些样本，发现“智能的”与“现代的”意象高度相关，且与方形机壳、大尺寸屏幕等要素关联最强，大尺寸屏幕和先进的交互技术可能提升用户的智能感；这一结果也可从HRI的“透明度”理论角度理解：清晰、规整的屏幕和造型有助于用户快速获取信息并形成对机器人技术能力的信任感，即感知到其“智能”。亲和性可能与圆形机壳、小容量装载单元和友好的交互屏幕设计有关；流畅性与整体式造型和流线型的机壳设计相关；这两者的因子则呼应了情感化设计中的本能层吸引力，圆润的造型和流畅的线条能降低科技产品的冰冷感，促进用户的亲近意愿。灵敏性可能与交互屏幕的反应速度和移动系统有关；整体式造型、大容量装载单元和稳定的移动系统可能传达出更高的可靠性。因此设计师在设计一款“智能的”、“现代的”送餐机器人时，可以考虑设计方形机壳、大尺寸屏幕以及清晰的交互屏幕来满足用户的情感需求。
6. 送餐机器人设计实践
在设计研究后，进行送餐机器人设计实践，致力于将前文中提出的理论和分析转化为具体的送餐机器人造型设计。这一环节从概念草图出发，借助人工智能手段生成产品效果图，确保了设计的每一环节都能够紧密结合用户的需求和情感体验。
设计实践首先从用户研究中提取关键信息，这些信息直接指导了初步设计方案的形成。通过一系列草图探索了不同的造型和功能配置，然后通过人工智能生成了产品效果图，以便于快速出图并进行测试和评估。其中，特别关注了机壳设计、移动系统、装载单元和交互屏幕等关键要素，这些要素在前期研究中已被识别为影响用户感性体验的重要因素。通过用户测试，设计团队收集了关于操作便利性、交互直观性和设计吸引力的反馈，并将这些反馈整合到后续的设计改进中。其造型秉承了研究得出的“现代感”与“智能感”特征。在CMF设计上，机身主体采用白色哑光漆面，以避免反光带来的廉价感，并传递洁净、专业的意象；在交互灯光上，机身前方的环形灯带在待机时呈现缓和的蓝色呼吸光，在送达菜品时转为绿色常亮，通过非语言的方式友好地提示用户。这些设计细节是对造型感性意象的补充与强化。
最终，完成了一款聚焦于现代感和智能感的送餐机器人，见图5。这款机器人的设计反映了对用户情感的理解，并通过其整体式造型、移动系统、装载单元和用户友好的交互屏幕，提供了智能时代下机器人送餐解决方案。
Figure 5. Design practice of delivery robots
图5. 送餐机器人设计实践
本研究通过感性工学方法，初步建立了送餐机器人造型要素与用户感性意象之间的映射模型。并通过设计实践展示了如何将感性工学的原理有效应用于产品设计，为设计领域提供了一个将理论研究与用户中心设计相结合的范例。通过这一实践，本研究为送餐机器人领域带来了创新，同时也为未来的设计研究和实践提供了宝贵的经验和见解。展望未来，一个融合了CMF、灯光、声效及动态交互行为的多模态感性研究框架将是大势所趋。同时，加强与人机交互、设计心理学等领域的理论对话，从“体验流”而非孤立的“造型点”视角审视服务机器人设计，将是提升其用户体验与市场接受度的关键。
注 释
文中所有图片均为作者自绘。