Social Robots Berardina De Carolis e Paolo Buono Dipartimento di Informatica Università di Bari " Aldo Moro" - UniBa
←
→
Page content transcription
If your browser does not render page correctly, please read the page content below
Social Robots Berardina De Carolis e Paolo Buono Dipartimento di Informatica Università di Bari “ Aldo Moro”
Robots • Robota (Czech) = A worker of forced labor • From Czech playwright Karel Capek's 1921 play R.U.R (Rossum's Universal Robots) • Japanese Industrial Robot Association (JIRA) • “A device with degrees of freedom that can be controlled” • Class 1: Manual handling device • Class 2: Fixed sequence robot • Class 3: Variable sequence robot • Class 4: Playback robot • Class 5: Numerical control robot • Class 6: Intelligent robot
A Brief History of Robotics • Mechanical Automata • Ancient Greece & Egypt • Water powered for ceremonies • 14th – 19th century Europe • Clockwork driven for entertainment • Motor driven Robots Maillardet’s Automaton • 1928: First motor driven automata • 1961: Unimate • First industrial robot • 1967: Shakey • Autonomous mobile research robot • 1969: Stanford Arm • Dextrous, electric motor driven robot arm Unimate
Social Robot (Fong et al. 2003) A social robot should have a set of “human-like social” characteristics that lead to specific: 1.S. establish/maintain Social relationships 2.P. exhibit distinctive Personality and character 3.L. Learn/develop social competencies 4.E. Express and/or perceive emotions 5.N. use of Natural cues (gaze +gestures, etc) 6.D. communicate with high level Dialogue 7.O. Other agents perception and modeling 8.R. Recognition and understanding of social situations
Social Robot Immaginiamo l’interazione con un social robot ... ... perchè immaginare Pepper è qui ...
Percepire l’ambiente Percepire utente/utenti: • Body Posture, Gestures e Facial expressions • Gaze • Azioni rivolte al robot (eg. Dare la mano) • Speech e NLU Percezione dell’ambiente: • Object detection e Recognition • Quante persone • Situazione ambientale • Mappe
Reasoning e Decision Making • Ragionare sull'utente e sull'ambiente • Prendere decisioni in base al task da svolgere • Decidere quale comportamento eseguire in base alla situazione sociale e alle emozioni • Gestire il turn-taking e la generation del dialogo
Action Execution • Navigazione nel mondo che lo circonda • Comunicazione multimodale coerente • Espressione di “comportamenti” sociali e di emozioni • Gesti • Prossimita'
Affective Computing • Filone di Ricerca relativamente nuovo • importanza delle emozioni nell'interazione uomo macchina • Rosalind Picard (MIT) • Libro Affective Computing del 1997 “Affective Computing is the study and development of systems and devices that can recognize, interpret, process, and simulate human affect/emotion”
Motivazioni • “The question is not whether intelligent machines can have any emotions, but whether machines can be intelligent without any emotions” — Marvin Minsky (1927–2016) (Co-founder of AI Lab at MIT, Turing Award winner (most prestigious award in Computer Science)) • Le emozioni sono fondamentali per l'esperienza umana, influenzano I nostri processi cognitivi, la percezione e l'intepretazione di quello che avviene, hanno un impatto sui nostri compiti quotidiani come l'apprendimento, la comunicazione, il decision-making.
Cosa e' una emozione? • Basic emotions: fear, anger, happiness, sadness, surprise, disgust Episodio di breve durata in genere causato da un evento: • sentimento soggettivo • valutazione della situazione • Affect = emozioni e umore (mood) • emotion : short term, high intensity, object directed • mood : unfocused, long term, low intensity • affect : sometimes seen as abstraction of emotion/mood in terms of, positiveness/negativeness and activation/deactivation
Riconoscere le emozioni • Dal Comportamento • Dai Segnali Bio/Fisiologici • Espressioni Facciali • Battito Cardiaco • Parlato • EEG • Gesti • EMG • Postura • GSR • … altro • … altro
Affective Computing 16
Affective Computing
Real time Mental State Inference Facial feature Head & facial Head & facial Mental state extraction action unit display inference recognition recognition Head pose estimation Feature point hmm … tracking* fammici pensare
BioSignals
EEG
Emotion Speech Recognition
Pitch – fundamental frequency • ANSI acoustical terminology defines pitch as "..that attribute of auditory sensation in terms of which sounds may be ordered on a scale extending from high to low” • High levels • emotions like anger, joy, fear that aims at attracting attention • Low levels • sober emotions like calm and sadness • Medium levels • neutral attitude
Intensity • Intensity measures the power of the sound • Intensity of emotions such as fear and joy increases during the pronunciation of the sentence, while it decreases in case of sadness
Spectral features • Segmental • Timbre • Features related to Timbre are calculated through the analsys of harmonicity and Mel- Frequency Cepstral Coefficients (MFCCs) • Mel-frequency cepstrum (MFC) is a representation of the short-term power spectrum of a sound, based on a linear cosine transform of a log power spectrum on a nonlinear mel scale of frequency • Mel-frequency cepstral coefficients (MFCCs) are coefficients that collectively make up an MFC
Engagement e Social Robots • Engagement: the process of establishing, maintaining an interaction (Sidner et al. 2005) or how interested and attentive users are towards a conversation (Yu, Aoki, and Woodruff 2004) • It is also defined as our emotional involvement or commitment to something • Social signals indicate the engagement of a user • nodding, laughter, verbal backchannels, emotions, and eye gaze • Why? Adapt the interaction in order to keep the user as engaged as possible
Engagement and Social Robots • Un piccolo esperimento • Consenso alla videoregistrazione • Interazione con Pepper • Risposta ad alcune domande sull’esperienza appena vissuta
Ambiti Applicativi Assistenza Autismo Anziani MSNA Accoglienza Reception Infopoint ... Education Tutoring Serious STEM Games
Esempio • Sviluppo di un chatbot per pepper per il servizio di accoglienza in un dipartimento universitario • Contesto delle strutture pubbliche • Università, Ospedali e Comuni, dove si può avere difficoltà nel trovare l’informazione che sta cercando per svariati motivi, tra cui Carenza o assenza di personale dedicato all’accoglienza Totem informativi difficili da utilizzare Sito web che non soddisfa le necessità dell’utente
PERCHÉ PEPPER? È un robot sociale Cattura l’attenzione Obiettivi: Aiutare le persone a cercare informazioni Dare le informazioni rispondendo in linguaggio naturale
Com’è fatto? Applicazione per il robot Pepper Web Server Portale Web
Analisi e progettazione Analisi Studio sulla struttura del Dipartimento Interviste con esperti (personale guardiania) Osservazione utenza nella richiesta delle informazioni Progettazione Progettazione del dialogo mediante storyboard Web-server
Risultato Dialogo in linguaggio naturale Uso del tablet per info aggiuntive Condivisione delle informazioni mediante QR Code Richieste di appuntamento con docenti
You can also read