[論文レビュー] Teaching Robots to Span the Space of Functional Expressive Motion

Arjun Sripathy, Andreea Bobu+4 more|arXiv (Cornell University)|Mar 4, 2022

Social Robot Interaction and HRI被引用数 4

ひとこと要約

本論文では、ユーザーのフィードバックからValence-Arousal-Dominance（VAD）の共有潜在空間を学習することで、ロボットが機能的で表現的な動きを生成する方法を提案している。各感情に対して個別にコスト関数を訓練するのではなく、軌道がVADにどのように対応するかを学習することで、未学習の感情や自然言語による感情指定に対しても効率的な一般化が可能となり、ユーザー研究では30分未満のラベリングで成功裏に感情表現のスタイル転送が達成された。

ABSTRACT

Our goal is to enable robots to perform functional tasks in emotive ways, be it in response to their users' emotional states, or expressive of their confidence levels. Prior work has proposed learning independent cost functions from user feedback for each target emotion, so that the robot may optimize it alongside task and environment specific objectives for any situation it encounters. However, this approach is inefficient when modeling multiple emotions and unable to generalize to new ones. In this work, we leverage the fact that emotions are not independent of each other: they are related through a latent space of Valence-Arousal-Dominance (VAD). Our key idea is to learn a model for how trajectories map onto VAD with user labels. Considering the distance between a trajectory's mapping and a target VAD allows this single model to represent cost functions for all emotions. As a result 1) all user feedback can contribute to learning about every emotion; 2) the robot can generate trajectories for any emotion in the space instead of only a few predefined ones; and 3) the robot can respond emotively to user-generated natural language by mapping it to a target VAD. We introduce a method that interactively learns to map trajectories to this latent space and test it in simulation and in a user study. In experiments, we use a simple vacuum robot as well as the Cassie biped.

研究の動機と目的

• ロボットが機能的タスクを感情表現豊かに行えるようにし、ユーザーの感情やタスクの自信に応じて動きを調整すること。
• 事前に定義された各感情に対して個別にコスト関数を訓練する従来手法の非効率性と一般化の欠如を是正すること。
• 感情の潜在的構造をValence-Arousal-Dominance（VAD）空間を通じて活用し、感情モデリングを統合すること。
• 自然言語入力をVADにマッピングすることで、直感的なラベリングを通じてユーザーが個人的な感情表現スタイルを教えることを可能にすること。
• 訓練時に明示的に学習していない感情に対しても、VAD空間内の任意の感情に対して表現的な動きを生成できること。

提案手法

• ユーザーが軌道をVADスコアまたは自然言語でラベル付けするインタラクティブなユーザーフィードバックを用いて、軌道からVADへのマッピングモデルを学習する。
• 事前学習済みの言語モデルを微調整し、自然言語入力からVAD値を予測するようにすることで、フレーズからの感情推定を可能にする。
• 軌道の予測されたVADとターゲットVADとの間のL2距離を最小化するコスト関数を用いてロボットの動きを最適化する。
• 新しいユーザーのラベルを繰り返し用いてVADマッピングモデルを再訓練し、人間の感情認識との整合性を高める。
• シミュレーション（バケーションロボットおよびCassie二足歩行ロボット）と、実際に人間参加者を対象としたユーザー研究の両方で本手法を適用する。
• トレーニングおよび推論の両方で、直接的なVADラベリングと言語ベースの感情指定をサポートする。

実験結果

リサーチクエスチョン

• RQ1 1つの共有VADベースのモデルが複数の感情に一般化可能で、感情ごとのデータ収集の必要性を低減できるか？
• RQ2 ユーザーが30分以内で直感的なラベリングを用いてロボットに個人的な感情表現スタイルを効率的に教えることができるか？
• RQ3 自然言語入力が効果的にVADにマッピング可能で、明示的な感情ラベリングなしに応答的な感情表現行動を実現できるか？
• RQ4 訓練時に明示的に学習していない感情に対しても、ロボットが意図した感情を表現していると認識される程度はどの程度か？
• RQ5 感情毎に独立したコスト関数を訓練するのと比較して、VAD空間の共同学習が効率性とパフォーマンスにどのように寄与するか？

主な発見

• ユーザーは30〜40分のラベリングでロボットに個人的な感情表現スタイルを成功裏に教えた。これは本手法の実用性を示している。
• ユーザー研究において、参加者がロボットの意図した感情をランダム確率よりも有意に高い割合で正しく認識した（p < 0.05）。これは感情認識の有効性を支持する。
• トップ1の正確度は感情ごとに変動しており、目標感情との整合性は妥当ではあるが完璧ではないことを示しており、正確性よりも耐性があることを示唆している。
• 異なるユーザーが訓練したロボットは、同じ感情に対して一貫性がありながらも、それぞれが正当化可能な異なる行動を示した。これは、個人化されたスタイル学習が可能であることを示している。
• 本手法により、トレーニング中に明示的に問い合わせられていない感情に対しても、表現的な動きの生成が可能になった。これはVAD空間全体にわたる一般化の可能性を示している。
• 定性的な結果から、"Today is great weather!" といった自然言語フレーズがVADにマッピングされ、適切な表現的な動きの生成に使用されたことがわかった。