از آنجا که روبات ها وارد محیط های متنوعی می شوند و به طور مرتب با آنها تعامل برقرار می کنند ، باید بتوانند تا حد امکان با کاربران ارتباط برقرار کنند. طی یک دهه گذشته ، محققان در سراسر جهان مشغول توسعه مدلهای مبتنی بر یادگیری ماشین و سایر تکنیک های محاسباتی بودند که می توانند ارتباطات روبات انسان را تقویت کنند.
یکی از راه های بهبود ارتباط روبات ها با کاربران انسانی ، آموزش آنها برای بیان احساسات اساسی مانند غم ، خوشبختی ، ترس و عصبانیت است. توانایی ابراز احساسات در نهایت به روبات ها امکان می دهد پیام ها را به طور مؤثرتر منتقل کنند ، به طریقی که با وضعیت معین هماهنگ باشد.
محققان دانشگاه هامبورگ در آلمان اخیراً روشی مبتنی بر یادگیری ماشینی را برای آموزش روباتها تهیه کرده اند که چگونه آنچه را که قبلاً به عنوان هفت احساس جهانی تعریف شده بودند ، یعنی خشم ، انزجار ، ترس ، خوشبختی ، غم ، غافلگیری و حالت خنثی انتقال دهند. . در مقاله خود ، که از قبل روی arXiv منتشر شده است ، آنها تکنیک خود را روی یک روبات انسان نما به نام iCub آزمایش و آزمایش کردند .
رویکرد جدید ارائه شده توسط محققان الهام بخش از چارچوبی است که قبلاً توسعه یافته به نام TAMER ایجاد شده است. TAMER الگوریتمی است که می تواند برای آموزش ادراک چند لایه (MLP) ، یک کلاس از شبکه های عصبی مصنوعی (ANN) استفاده شود.
در مطالعه اخیر ، چارچوب TAMER برای آموزش یک مدل مبتنی بر یادگیری ماشین برای انتقال احساسات مختلف انسانی با تولید حالت های مختلف صورت در ربات iCub سازگار شده است. iCub یک بستر روباتیک منبع باز است که توسط یک تیم تحقیقاتی در موسسه فناوری ایتالیا (IIT) به عنوان بخشی از پروژه اتحادیه اروپا RobotCub ساخته شده است ، که اغلب در تحقیقات روباتیک برای ارزیابی الگوریتم های یادگیری ماشین مورد استفاده قرار می گیرد .
محققان در مقاله خود نوشتند: "این روبات از ترکیبی از یک شبکه عصبی حلقوی (CNN) و یک نقشه خود سازماندهی (SOM) برای تشخیص یک احساس استفاده می کند و سپس می آموزد که همان را با استفاده از MLP بیان کند." "هدف ما این بود که به یک ربات آموزش دهیم تا به درستی به درک کاربر از احساسات پاسخ دهد و یاد بگیرد که چگونه احساسات مختلف را بیان کند."
CNN استفاده شده توسط محققان ، تصاویر صورت های کاربر انسانی را که توسط ربات iCub ضبط شده است ، تجزیه و تحلیل می کند. نمایه های ویژگی های صورت تولید شده توسط این تجزیه و تحلیل سپس به SOM تغذیه می شوند ، که از الگوهای خاصی در نحوه بیان کاربر یک احساس خاص رونمایی می کند.
پس از آن ، این الگوها برای آموزش MLP مدل شده و مورد استفاده قرار می گیرند تا پیش بینی کنند چگونه می توان ویژگی های صورت iCub را به بهترین شکل تقلید کرد و از چهره کاربر استفاده کرد. کاربر انسانی سپس بر اساس میزان دقیق احساسات خاص خود ، به ربات پاداش می دهد.
محققان در مقاله خود توضیح دادند: "هنگامی که iCub عملکرد و عملکرد خود را انجام داد ، از کاربر انتظار می رود که آن را پاداش دهد ، بنابراین یک مقدار هدف برای دستیابی به آن می دهد." "این کار با درخواست کاربر برای تقلید از روبات انجام می شود ، و اطلاعاتی در مورد میزان عملکرد انجام شده با عملکرد مورد نظر به وی می دهد."
با گذشت زمان ، بر اساس جوایزی که از کاربران انسانی دریافت می کند ، چارچوبی که توسط محققان طراحی شده است باید یاد بگیرد که هر یک از هفت احساس جهانی را بیان کند. تاکنون این تکنیک در یک سری آزمایشات اولیه با استفاده از بستر روباتیک iCub مورد بررسی قرار گرفته و به نتایج نسبتاً امیدوار کننده ای رسیده است.
محققان گفتند: "اگرچه نتایج امیدوار کننده بود و زمان لازم برای آموزش را به میزان قابل توجهی کاهش می داد ، روش ما هنوز هم برای یادگیری عبارات معنی دار به بیش از 100 فعل و انفعالات برای هر کاربر نیاز داشت." "پیش بینی می شود با پیشرفت در روش های آموزشی و با جمع آوری داده های بیشتر برای آموزش ، این تعداد کاهش یابد."
- ۹۹/۰۲/۲۷