[논문 리뷰] Affect-Driven Modelling of Robot Personality for Collaborative Human-Robot Interactions

Nikhil Churamani, Pablo Barros외 2명|arXiv (Cornell University)|2020. 10. 14.

Social Robot Interaction and HRI참고 문헌 64인용 수 7

한 줄 요약

이 논문은 협업적 인간-로봇 상호작용에서 로봇 성격을 모델링하기 위한 새로운 영향 기반 프레임워크를 제안한다. 다중 모odal 영향 평가를 위한 하이브리드 신경망 모델, 인내심과 정서적 작용성 같은 성향을 인코딩하는 자기조직화 순환 네트워크 기반의 정서 핵심, 그리고 울티마텀 게임에서 협상 전략을 적응적으로 조정하는 강화학습 에이전트를 포함한다. 주요 기여는 성격 특성이 로봇의 기분과 행동을 조절하며, 참가자들이 인내심 있고 정서적으로 작용하는 로봇을 더 지속 가능하게, 그렇지 않은 로봇을 더 기꺼워하는 경향이 있음을 입증한 것이다.

ABSTRACT

Collaborative interactions require social robots to adapt to the dynamics of human affective behaviour. Yet, current approaches for affective behaviour generation in robots focus on instantaneous perception to generate a one-to-one mapping between observed human expressions and static robot actions. In this paper, we propose a novel framework for personality-driven behaviour generation in social robots. The framework consists of (i) a hybrid neural model for evaluating facial expressions and speech, forming intrinsic affective representations in the robot, (ii) an Affective Core, that employs self-organising neural models to embed robot personality traits like patience and emotional actuation, and (iii) a Reinforcement Learning model that uses the robot's affective appraisal to learn interaction behaviour. For evaluation, we conduct a user study (n = 31) where the NICO robot acts as a proposer in the Ultimatum Game. The effect of robot personality on its negotiation strategy is witnessed by participants, who rank a patient robot with high emotional actuation higher on persistence, while an inert and impatient robot higher on its generosity and altruistic behaviour.

연구 동기 및 목표

• 장기적 상호작용에서 진동하는 인간의 정서 역동성을 포착하지 못하는 정적이고 프레임 기반의 정서 인식의 한계를 해결하기 위해.
• 과거 상호작용 기반의 내재된 정서 반응과 기분을 모델링하여 로봇이 적응적이고 개인화된 상호작용 행동을 개발할 수 있도록 하기 위해.
• 성격 특성(예: 인내심과 정서적 작용성)이 협업 환경에서 로봇의 정서 평가 및 협상 행동에 어떻게 영향을 미치는지 조사하기 위해.
• 로봇이 진동하는 정서 상태에 따라 지도되는 강화학습 기반으로 최적의 협상 전략을 학습할 수 있도록 하는 프레임워크를 설계하기 위해.

제안 방법

• 하이브리드 딥 신경망이 얼굴 표정과 음성의 병합 분석을 통해 강건한 다중 모달 정서 평가를 수행하며, 이는 로봇의 정서 기억과 기분을 형성한다.
• 자기조직화 순환 신경망(GWR)을 사용하여 정서 핵심을 구현함으로써 성격 특성을 통합하며, 시간 인식과 사회적 조건화(정서적 작용성)가 주요 영향을 미친다.
• 정서 핵심에서 유도된 로봇의 기분이 마르코프 결정 과정(MDP) 프레임워크 내에서 행동을 조절하여 적응적 의사결정을 가능하게 한다.
• 딥 디터미니스틱 정책 그래디언트(DDPG) 기반 강화학습 모델이 울티마텀 게임에서 최적의 협상 정책을 학습하며, 로봇의 정서 상태를 입력으로 사용한다.
• 사용자 연구 기간 동안 정서 핵심은 사전 학습되고 동결되어 성격이 행동에 미치는 영향을 분리하고, 성격 기반 역학의 안정적 평가를 보장한다.
• NICO 로봇을 사용하여 사용자 연구(n=31)를 수행하였으며, 참가자들은 서로 다른 성격 조건에서 자원 분배 협상에 참여한다.

실험 결과

연구 질문

• RQ1 로봇의 성격 특성—특히 인내심과 정서적 작용성—이 장기적 인간-로봇 상호작용에서 정서 평가 및 행동 적응에 어떻게 영향을 미치는가?
• RQ2 다중 모달 인식에서 유도된 로봇의 정서 기억과 기분이 협업 환경에서의 협상 행동에 얼마나 영향을 미치는가?
• RQ3 내재된 성격을 모델링하는 정서 핵심에 의해 이끌리는 강화학습 에이전트가 더 자연스럽고 적응적인 협상 전략을 학습할 수 있는가?
• RQ4 사용자들은 서로 다른 성격 성향을 가진 로봇에 대해 지속성과 기꺼움 측면에서 어떻게 인식하고 반응하는가?
• RQ5 성격에 의해 조절되는 로봇의 정서 상태가 사용자 참여도와 상호작용 역학에 측정 가능한 영향을 미치는가?

주요 결과

• 참가자들은 높은 정서적 작용성을 지닌 인내심 있는 로봇을 협상에서 더 지속 가능하게 인식했으며, 성격이 인식된 행동 특성에 미치는 영향을 입증했다.
• 정적이고 인내심이 없는 로봇는 더 기꺼워하고 이타적으로 인식되었으며, 성격 특성이 정의와 협력성에 대한 사용자 인식에 직접적인 영향을 미친다는 것을 시사한다.
• 협상 전략의 차이가 있었음에도 불구하고, 전반적인 로봇에 대한 인상은 조건 간에 유의미하게 변화하지 않았다. 이는 잠재적인 기분 기반 행동 변화가 쉽게 감지되지 않을 수 있음을 시사한다.
• 사용자들은 시간이 지남에 따라 더 몰입하고 표현력 있게 변화했으며, 거리감 있는 직접적인 거부에서 "이봐요, NICO. 이게 공정하지 않아요. 더 잘 할 수 있을 텐데요"와 같은 정서적으로 층위가 깊은 요청으로 전환되었다. 이는 로봇이 상호작용의 진화를 촉진했다는 것을 보여준다.
• 로봇는 사용자 전략에 민감하게 반응했으며, 처음에는 요구에 굴복했지만 점차 행동을 적응시켜 동적 협상 패tern을 효과적으로 학습했다.
• 정서 핵심은 로봇의 기분과 행동을 성공적으로 조절했으며, 강화학습 에이전트는 정서 피드백에 기반해 제안을 조정하는 데 성공하여 프레임워크 설계의 타당성을 검증했다.