HAPI-一种从人类偏好学习机器人面部表情的模型-计算机科学-人工智能-类人机器人.pdfVIP

HAPI：一种从人类偏好学习机器人面部表情的模型

DongshengYang,QianyingLiu,WataruSato,TakashiMinato,ChaoranLiu,Shin’yaNishida

Abstract—自动机器人面部表情生成对于人机交互

（HRI）至关重要，因为基于固定关节配置的手工方法往往产

生僵硬且不自然的行为。尽管最近的自动化技术减少了手动调

优的需求，但它们在充分弥合人类偏好与模型预测之间的差距

方面往往表现不足——这导致由于自由度有限和感知整合不足

而缺乏细腻和逼真的表情。在此项工作中，我们提出了一种新

颖的学习排序框架，该框架利用人类反馈来解决这一差异，并

增强了机器人面部的表现力。具体来说，我们进行成对比较注

释以收集人类偏好数据，并开发了人类情感成对印象（HAPI）

本模型，这是一种基于暹罗RankNet的方法，用于细化表情评

估。通过贝叶斯优化和在线表情调查，在一个35自由度的类人

译机器人平台上获得的结果表明，我们的方法产生的愤怒、快乐

中和惊讶等表情比基线和专家设计的方法生成的表情更为逼真且

具有社会共鸣。这证实了我们的框架有效地弥合了人类偏好与

2

v模型预测之间的差距，并使机器人表情生成稳健地与人类情感Fig.1.尼古拉，由理研开发的一款安卓机器人。

6反应相一致。

4

0I.介绍

7成，该框架结合了机械应力和执行器非线性的考虑。他

1.面部表情是非语言交流的基本渠道，传达了高达们的方法在Nikola（图1）上实现，这是一种由RIKEN

355%的人际线索[1]，对于有效的机器人交互（HRI）开发的前沿35-DOF人形机器人，依赖于基于视觉的

0

5至关重要。逼真且具有社会共鸣的机器人类面部表情表情识别模型（ResMaskNet[10]），而不是标记感知

2

:(RFEs)通过增强情感表达和意图识别促进了细致而技术。尽管这种方法[9]在机械效率方面取得了进展，

v

i自然的互动。并减少了与其他学习方法相比所需的试验次数，但在

x

r尽管RFE对于有效的HRI至关重要，但大多数生成令人信服的快乐表情方面仍存在困难——即使快

a

现有技术依赖于预编程的关节配置，将每个RFE映射乐是被普遍识别的情绪之一。

到一组固定的机械运动[2]–[5]。虽然这些基于规则的我们观察到，ResMaskNet情感评分最高的快乐表

方法可以探索一系列RFE，但它们通常会产生僵硬、情收到了较低的人类评价，这突显了ResMaskNet的

不自然的行为，并且需要大量的手动努力，包括特定定量指标与人类感知判断之间的不一致[9]。这种限制

硬件的适应性调整，同时提供的泛化能力有限。源于ResMaskNet的训练目标是分类人类面部表情，

最近的进展旨在自动化RFE生成。早期的工忽略了传达复杂情感所需的关键细微差别——这一标

作[6]–[8]引入了减少硬编码需求的算法。杨等人[9]准从根本上不同于生成逼真且具有社会共鸣的RFEs

提出了一种基于贝叶斯优化的框架，用于自动RFE生的目标。

GraduateSchoolofInformatics,KyotoUniversity,Kyoto,Japan为了克服现有模型仅生成表达概率而未结合人类

mlds.yang@,PsychologicalProcessResearchTeam,感知洞察的局限性，我们旨在利用人类反馈来增强机

GuardianRobotProject,RIKEN,Kyoto,Japan,FieldScie