[论文解读] 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 4

一句话总结

本文提出一种通过用户反馈学习情感-唤醒-主导力（VAD）共享潜在空间的方法，使机器人能够生成功能性强且富有表现力的运动。与为每种情绪单独训练代价函数的方法不同，该方法学习轨迹到VAD的映射，从而实现对未见过情绪的高效泛化，以及基于自然语言的情绪指定。用户研究表明，仅需30分钟标注即可成功完成情感风格迁移。

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.

研究动机与目标

• 使机器人能够以富有情感的表现力执行功能性任务，根据用户情绪或任务信心调整运动方式。
• 解决以往方法中为每种预定义情绪单独训练代价函数所导致的效率低下与泛化能力不足问题。
• 利用情感的潜在结构，通过情感-唤醒-主导力（VAD）空间统一情感建模。
• 允许用户通过直观标注（包括映射到VAD的自然语言输入）教授个性化情感风格。
• 使机器人能够为VAD空间中的任意情绪（包括未显式训练过的）生成表现力强的运动。

提出的方法

• 利用交互式用户反馈学习轨迹到VAD的映射模型，用户通过VAD评分或自然语言对轨迹进行标注。
• 使用微调后的预训练语言模型，从自然语言输入中预测VAD值，实现从短语中推断情感。
• 通过最小化轨迹预测VAD与目标VAD之间的L2距离，优化机器人运动的代价函数。
• 通过新用户标注数据迭代微调VAD映射模型，以提升与人类情感感知的一致性。
• 在仿真环境中（真空机器人与Cassie双足机器人）以及真实用户研究中应用该方法，参与者为人类。
• 在训练和推理阶段均支持直接VAD标注与基于语言的情感指定。

实验结果

研究问题

• RQ1 单一共享的基于VAD的模型是否能跨多种情绪泛化，并减少对每种情绪单独数据收集的需求？
• RQ2 用户是否能在30分钟内高效地通过直观标注教会机器人个性化情感风格？
• RQ3 自然语言输入是否能有效映射到VAD，从而在无需显式情感标注的情况下实现响应式情感行为？
• RQ4 机器人在未显式训练过的情绪上生成的运动，其情感表达被感知为符合目标情绪的程度如何？
• RQ5 与为每种情绪独立训练代价函数相比，联合学习VAD空间在效率和性能方面有何提升？

主要发现

• 用户在30至40分钟的标注时间内成功教会机器人个性化情感风格，证明了该方法的实用性。
• 在用户研究中，参与者对机器人意图情感的识别率显著高于随机概率（p < 0.05），支持了有效的情感识别。
• 不同情绪的Top-1准确率存在差异，表明情感对齐合理但不完美，体现出鲁棒性而非极致精确。
• 由不同用户训练的机器人对同一情绪表现出不同但合理的动作行为，展示了个性化风格学习的能力。
• 该方法实现了对训练期间未明确查询情绪的表达性运动生成，证明了在VAD空间中的泛化能力。
• 定性结果显示，自然语言短语如“今天天气真好！”可被映射到VAD并用于生成恰当的表现力运动。