ヒューマノイドロボットの設計において長年にわたって指摘されてきた「不気味の谷」という現象がある。これはロボットが人間らしくなるほど親しみやすさが増すのではなく、むしろ減少してしまうという経験則である。従来、この現象を回避するための指針として、ロボットらしい外観を採用すること、過度なリアリズムを避けること、モダリティ間の不一致を減らすことなどが提唱されてきたが、これらは定量的な設計変数として表現されていないため、アルゴリズム的な設計に応用することが困難であった。 本研究は、階層的ベイズ生成モデルを提案し、これらの経験則を操作可能な数学的設計変数として実装している。このモデルはヒューマノイドロボットへの親しみやすさを、カテゴリ条件付きサプライズの後部加重負値として表現し、カテゴリの曖昧性と知覚的不一致をサプライズの増加として説明する。不気味の谷のメカニズムを四つの変数にマッピングしている。すなわち、予測されたロボットカテゴリ平均からの逸脱度、モダリティ全体での人間らしさの矛盾性、予測の不確実性、および観察の不確実性である。 シミュレーション結果により、カテゴリの曖昧性と外観と動きの不一致が親しみやすさの低下を引き起こし、不確実性が不気味の谷を変形させることが示された。ロボットと人間のモーフィング画像を使用した人間被験者実験では、ぼやけた先行ロボット刺激を用いて予測の不確実性を、ぼやけた評価刺激を用いて観察の不確実性を操作した。観察の不確実性の増加は中程度の人間らしさにおける親しみやすさ低下を減弱させ、低い予測の不確実性はロボットらしい外観の評価を向上させた。 このフレームワークは、経験的な不気味の谷のヒューリスティクスを計算論的基礎へと転換し、ヒューマノイドロボットの外観と行動を計算論的に評価・最適化するための実現可能な手段を提供する。