A medida que los robots se abren paso en una variedad de entornos y comienzan a interactuar con los humanos de forma regular, deben poder comunicarse con los usuarios de la manera más eficaz posible. Durante la última década más o menos, Por lo tanto, investigadores de todo el mundo han estado desarrollando modelos basados ​​en el aprendizaje automático y otras técnicas computacionales que podrían mejorar las comunicaciones entre humanos y robots.

Una forma de mejorar la forma en que los robots se comunican con los usuarios humanos es entrenarlos para que expresen emociones básicas. como la tristeza, felicidad, miedo e ira. La capacidad de expresar emociones permitiría en última instancia a los robots transmitir mensajes de manera más efectiva, de formas que estén alineadas con una situación dada.

Investigadores de la Universidad de Hamburgo en Alemania han desarrollado recientemente un método basado en el aprendizaje automático para enseñar a los robots cómo transmitir lo que anteriormente se definió como las siete emociones universales. a saber, ira, asco, temor, felicidad, tristeza, sorpresa y un estado neutral. En su papel prepublicado en arXiv, aplicaron y probaron su técnica en un robot humanoide llamado iCub.

El nuevo enfoque propuesto por los investigadores se inspira en un marco desarrollado previamente llamado TAMER. TAMER es un algoritmo que se puede utilizar para entrenar perceptrones multicapa (MLP), una clase de redes neuronales artificiales (ANN).

En el estudio reciente, El marco TAMER se adaptó para entrenar un modelo basado en aprendizaje automático para transmitir diferentes emociones humanas mediante la producción de diferentes expresiones faciales en el robot iCub. iCub es una plataforma robótica de código abierto desarrollada por un equipo de investigación del Instituto Italiano de Tecnología (IIT) como parte del proyecto de la UE RobotCub, que se utiliza a menudo en la investigación de robótica para evaluar algoritmos de aprendizaje automático.

"El robot usa una combinación de una red neuronal convolucional (CNN) y un mapa autoorganizado (SOM) para reconocer una emoción y luego aprende a expresar la misma usando un MLP, ", escribieron los investigadores en su artículo." Nuestro objetivo era enseñar a un robot a responder adecuadamente a la percepción de las emociones de un usuario y aprender a expresar diferentes emociones ".

La CNN utilizada por los investigadores analiza imágenes de las expresiones faciales de un usuario humano, capturado por el robot iCub. Las representaciones de rasgos faciales producidas por este análisis se envían luego a un SOM, que revela patrones particulares en cómo el usuario expresa una emoción particular.

Después, estos patrones se modelan y utilizan para entrenar a un MLP para predecir cómo se pueden adaptar los rasgos faciales de iCub para imitar mejor las expresiones faciales del usuario. El usuario humano luego recompensa al robot en función de la precisión con la que expresó una emoción determinada.

"Una vez que el iCub funciona y actúa, se espera que el usuario lo recompense, dándole así un valor objetivo para lograr, "explicaron los investigadores en su artículo." Esto se hace pidiendo al usuario que imite al robot, dándole información sobre cuánto difiere la acción realizada de la acción prevista ".

Tiempo extraordinario, en función de las recompensas que recibe de los usuarios humanos, el marco ideado por los investigadores debería aprender a expresar cada una de las siete emociones universales. Hasta aquí, la técnica ha sido evaluada en una serie de experimentos preliminares utilizando la plataforma robótica iCub, logrando resultados bastante prometedores.

"Aunque los resultados fueron prometedores y redujeron significativamente el tiempo necesario para la formación, nuestro método aún requería más de 100 interacciones por usuario para aprender expresiones significativas, ", dijeron los investigadores." Se espera que este número disminuya con las mejoras en las metodologías de capacitación y mediante la recopilación de más datos para la capacitación ".

© 2020 Science X Network