Terwijl robots hun weg vinden naar verschillende omgevingen en regelmatig met mensen in contact komen, ze moeten zo effectief mogelijk met gebruikers kunnen communiceren. In de afgelopen tien jaar of zo, onderzoekers over de hele wereld hebben dus op machine learning gebaseerde modellen en andere computertechnieken ontwikkeld die de communicatie tussen mens en robot zouden kunnen verbeteren.

Een manier om de manier waarop robots met menselijke gebruikers communiceren te verbeteren, is door ze te trainen in het uiten van basisemoties, zoals verdriet, blijheid, angst en woede. Het vermogen om emoties te uiten zou robots uiteindelijk in staat stellen om berichten effectiever over te brengen, op een manier die is afgestemd op een bepaalde situatie.

Onderzoekers van de Universiteit van Hamburg in Duitsland hebben onlangs een op machine learning gebaseerde methode ontwikkeld om robots te leren hoe ze kunnen overbrengen wat eerder werd gedefinieerd als de zeven universele emoties, namelijk woede, walging, angst, blijheid, droefheid, verrassing en een neutrale staat. In hun krant voorgepubliceerd op arXiv, ze hebben hun techniek toegepast en getest op een humanoïde robot genaamd iCub.

De nieuwe aanpak die de onderzoekers voorstellen, is geïnspireerd op een eerder ontwikkeld raamwerk genaamd TAMER. TAMER is een algoritme dat kan worden gebruikt om meerlaagse perceptrons (MLP's) te trainen, een klasse van kunstmatige neurale netwerken (ANN's).

In de recente studie, het TAMER-raamwerk is aangepast om een ​​op machine learning gebaseerd model te trainen om verschillende menselijke emoties over te brengen door verschillende gezichtsuitdrukkingen in de iCub-robot te produceren. iCub is een open-source robotplatform ontwikkeld door een onderzoeksteam van het Italiaanse Instituut voor Technologie (IIT) als onderdeel van het EU-project RobotCub, die vaak wordt gebruikt in robotica-onderzoek om algoritmen voor machine learning te evalueren.

"De robot gebruikt een combinatie van een convolutioneel neuraal netwerk (CNN) en een zelforganiserende kaart (SOM) om een ​​emotie te herkennen en leert deze vervolgens uit te drukken met behulp van een MLP, " schreven de onderzoekers in hun paper. "Ons doel was om een ​​robot te leren adequaat te reageren op de perceptie van emoties van een gebruiker en te leren hoe verschillende emoties te uiten."

Het door de onderzoekers gebruikte CNN analyseert beelden van de gezichtsuitdrukkingen van een menselijke gebruiker, vastgelegd door de iCub-robot. De representaties van gelaatstrekken die door deze analyse worden geproduceerd, worden vervolgens ingevoerd in een SOM, die bepaalde patronen onthult in hoe de gebruiker een bepaalde emotie uitte.

Vervolgens, deze patronen worden gemodelleerd en gebruikt om een ​​MLP te trainen om te voorspellen hoe de gelaatstrekken van de iCub kunnen worden aangepast om de gezichtsuitdrukkingen van de gebruiker het beste na te bootsen. De menselijke gebruiker beloont de robot vervolgens op basis van hoe nauwkeurig hij een bepaalde emotie uitdrukte.

"Zodra de iCub presteert en in actie komt, van de gebruiker wordt verwacht dat hij deze beloont, waardoor het een doelwaarde krijgt om te bereiken, " legden de onderzoekers uit in hun paper. "Dit wordt gedaan door de gebruiker te vragen de robot na te bootsen, informatie geven over hoeveel de uitgevoerde actie afwijkt van de beoogde actie."

Overuren, op basis van de beloningen die het ontvangt van menselijke gebruikers, het door de onderzoekers bedachte raamwerk moet leren om elk van de zeven universele emoties uit te drukken. Tot dusver, de techniek is geëvalueerd in een reeks voorlopige experimenten met behulp van het iCub-robotplatform, redelijk veelbelovende resultaten te boeken.

"Hoewel de resultaten veelbelovend waren en de trainingstijd aanzienlijk werd verkort, onze methode vereiste nog steeds meer dan 100 interacties per gebruiker om betekenisvolle uitdrukkingen te leren, " zeiden de onderzoekers. "Dit aantal zal naar verwachting afnemen met verbeteringen in trainingsmethodologieën en door meer gegevens te verzamelen voor training."

© 2020 Wetenschap X Netwerk