Tathmini ya Onyesho la Hisia Zinazotokana na LED-RGB kwa Ajenzi Wenye Hisia

1. Utangulizi na Muhtasari

Makala hii inachunguza matumizi ya onyesho la LED-RGB lenye azimio duni kama njia rahisi na ya bei nafuu ya kuonyesha hisia bandia katika ajenzi na roboti wenye hisia. Dhana kuu ni kwamba rangi maalum na muundo wenye nguvu wa mwanga unaweza kuchochea mawasiliano na hisia za msingi za kibinadamu—furaha, hasira, huzuni, na woga—na hivyo kuwezesha mawasiliano yasiyo ya maneno katika mwingiliano wa binadamu na roboti (HRI). Kazi hii iko ndani ya uwanja mpana wa kompyuta ya hisia, ikilenga kuongeza ukubali wa teknolojia kwa kufanya mwingiliano kuwa wa kawaida zaidi na wenye athari ya kihisia.

Utafiti huu unashughulikia pengo kati ya usemi tata na wa gharama kubwa wa android na hitaji la suluhu rahisi, zinazoweza kutekelezwa kwa roboti wenye vikwazo vya muonekano. Kwa kuthibitisha muundo wa mwanga uliopendekezwa kupitia utafiti wa watumiaji, makala hii inatoa ushahidi wa majaribio kwa uwezekano wa njia hii.

2. Mbinu na Usanifu wa Mfumo

Mfumo huu unazingatia onyesho la LED-RGB lililojengwa maalum, lililobuniwa kuwa mbadala wa vipengele vya uso wenye azimio duni.

2.1 Usanidi wa Onyesho la LED-RGB

Onyesho hilo lina safu ya LED-RGB. Vigezo muhimu vinajumuisha:

Azimio: Safu yenye idadi ndogo (mfano, 8x8 au kama hivyo), ikipa kipaumbele uwazi wa muundo kuliko maelezo.
Udhibiti: Inaendeshwa na kidhibiti-kijiko, ikiruhusu udhibiti sahihi wa rangi, usawa wa rangi, mwangaza (nafasi ya rangi HSV/HSL), na mienendo ya wakati.
Muundo wa Umbo: Imebuniwa kwa ajili ya kuunganishwa kwenye roboti wasio na nyuso za kawaida.

2.2 Uunganishaji wa Hisia-kwa-Mwanga

Kulingana na utafiti wa awali katika saikolojia ya rangi na HRI (mfano, [11]), uunganishaji wa msingi ulianzishwa:

Furaha: Rangi za joto (Njano, Chungwa). Mwangaza wa juu, mwanga thabiti au unaopiga polepole.
Hasira: Rangi za joto (Nyekundu, Chungwa Kikubwa). Ukali wa juu, muundo wa kuwaka kwa kasi au wa kupiga.
Huzuni: Rangi za baridi (Bluu, Samawati). Mwangaza wa chini, kuzama polepole au kupiga dhaifu.
Woga: Rangi za baridi au zisizo na upendeleo (Bluu, Nyeupe, Zambarau). Muundo usio wa kawaida, unaowaka kwa kasi au unaometameta.

2.3 Uundaji wa Muundo Wenye Nguvu

Zaidi ya rangi thabiti, muundo wenye nguvu (muundo wa wimbi) ni muhimu. Makala hii inachunguza vigezo kama:

Mzunguko: Kasi ya kurudia muundo (mfano, Hz).
Muundo wa Wimbi: Umbo la urekebishaji wa mwangaza kwa muda (sinusoidal, mstatili, msumeno).
Amplitude: Safu ya tofauti ya mwangaza.

Kwa mfano, hasira inaweza kutumia wimbi la mstatili lenye mzunguko wa juu ($f_{hasira} > 5Hz$), wakati huzuni inatumia wimbi la sine lenye mzunguko wa chini ($f_{huzuni} < 1Hz$).

3. Usanifu wa Majaribio na Uthibitishaji

Utafiti wa watumiaji ulifanywa ili kuthibitisha utambuzi wa hisia kutoka kwa muundo wa LED.

3.1 Sifa za Idadi ya Washiriki

Utafiti huu ulihusisha washiriki N, walioajiriwa kutoka mazingira ya chuo kikuu, wakiwa na mchanganyiko wa asili ya kiufundi na isiyo ya kiufundi ili kutathmini uwezekano wa kujumlisha.

3.2 Utaratibu na Vipimo

Washiriki walionyeshwa mlolongo wa muundo wa LED, kila moja ikiwakilisha moja ya hisia nne lengwa, kwa mpangilio wa nasibu. Baada ya kila onyesho, waliulizwa kutambua hisia iliyoonyeshwa kutoka kwenye orodha iliyofungwa (uchaguzi wa lazima). Vipimo vya msingi vilijumuisha:

Usahihi wa Kutambua: Asilimia ya utambuzi sahihi kwa kila hisia.
Matriki ya Kuchanganyikiwa: Uchambuzi wa hisia gani zilichanganyikiwa mara nyingi zaidi.
Maoni ya Kibinafsi: Data ya ubora kuhusu urahisi wa muundo.

4. Matokeo na Uchambuzi

4.1 Usahihi wa Kutambua

Matokeo yalionyesha viwango tofauti vya mafanikio kwenye hisia. Data ya awali inaonyesha:

Utambuzi wa Juu (>70%): Furaha na Hasira mara nyingi zilitambuliwa kwa usahihi, labda kwa sababu ya uhusiano mkali wa kitamaduni na kisaikolojia wa rangi za joto na hali za msisimko wa juu.
Utambuzi wa Wastani (50-70%): Huzuni ilionyesha utambuzi wa wastani, inawezekana kuchanganyika na hali ya upande wowote au "kulala".
Utambuzi wa Chini (<50%): Woga ulithibitika kuwa changamoto zaidi, na muundo mara nyingi ulitambuliwa vibaya kama hisia nyingine hasi kama hasira au huzuni, ikionyesha utata wa muundo wenye nguvu wa rangi za baridi.

Maelezo ya Chati (Inayodhaniwa): Chati ya baa ingeonyesha usahihi wa utambuzi kwenye mhimili wa y (0-100%) kwa kila moja ya hisia nne kwenye mhimili wa x. Baa za Furaha na Hasira zingekuwa ndefu zaidi, Huzuni ya kati, na Woga mfupi zaidi. Mstari wa juu unaweza kuonyesha vipindi vya uaminifu.

4.2 Umuhimu wa Takwimu

Majaribio ya takwimu (mfano, Chi-square) yalithibitisha kuwa viwango vya utambuzi vya furaha na hasira vilikuwa vya juu zaidi kuliko kiwango cha bahati nasibu (25% kwa kazi ya uchaguzi-4), wakati utambuzi wa woga haukutofautishwa kwa takwimu kutoka kwa bahati nasibu. Hii inasisitiza hitaji la kuboresha usanifu wa muundo kwa hisia tata kama woga.

5. Maelezo ya Kiufundi na Mfumo wa Hisabati

Hali ya kihisia $E$ inaweza kuigwa kama vekta inayoathiri vigezo vya pato la mwanga. Kwa hisia fulani $e_i$, hali ya onyesho $L(t)$ kwa wakati $t$ imefafanuliwa na:

$L(t) = [H(e_i), S(e_i), V(e_i, t), f(e_i), w(e_i, t)]$

Ambapo:

$H$: Hue (wimbi kuu la urefu, lililounganishwa kutoka saikolojia ya rangi).
$S$: Saturation (usafi wa rangi, mfano, wa juu kwa hisia kali).
$V$: Thamani/Mwangaza, kazi ya wakati na hisia: $V(t) = A(e_i) \cdot w(2\pi f(e_i) t) + V_{base}(e_i)$. $A$ ni amplitude, $w$ ni kazi ya muundo wa wimbi (sine, mraba), $f$ ni mzunguko.
$f$: Mzunguko wa wakati wa muundo.
$w$: Kazi ya muundo wa wimbi inayofafanua umbo la muundo kwa muda.

Kwa mfano, hasira ($e_a$) inaweza kuwekwa vigezo kama: $H_{a} \approx 0\text{° (Nyekundu)}, S_{a} \approx 1.0, V_{a}(t) = 0.8 \cdot \text{mraba}(2\pi \cdot 5 \cdot t) + 0.2, f_{a}=5\text{Hz}$.

6. Ufahamu Muhimu na Mtazamo wa Mchambuzi

Ufahamu Muhimu: Makala hii si kuhusu kujenga uso mzuri wa kihisia; ni ujanja wa vitendo kwa uchumi wa roboti "wasio na uso". Inadai kuwa kwa roboti wa soko kuu, wenye unyeti wa gharama (fikiria roboti za ghala, wasaidizi rahisi wa nyumbani), gridi ya LED ya $5 inaweza kufikia 70% ya utambuzi wa kihisia wa uso wa android wa $50,000 kwa hali za msingi kama furaha na hasira. Thamani halisi ni upana wa kihisia kwa kila dola.

Mtiririko wa Mantiki: Hoja hii ni safi na ya viwanda: 1) Nyuso tata ni za gharama kubwa na nzito kwa hesabu (kutaja Geminoid, KOBIAN). 2) Ishara zisizo za maneno ni muhimu kwa ukubali wa HRI. 3) Mwanga ni rahisi, unaoweza kuprogramu, na unaoweza kutambuliwa kote. 4) Hebu tuunganishe hisia za msingi na vigezo rahisi zaidi vya mwanga (rangi, kuwaka). 5) Jaribu ikiwa inafanya kazi. Mtiririko hauhusu kina cha kisaikolojia bali zaidi uthibitishaji wa uhandisi kwa bidhaa ya chini inayoweza kufanya kazi (MVP) katika usemi wa hisia.

Nguvu na Kasoro: Nguvu yake ni vitendo vyake vikali na uthibitishaji wazi wa majaribio kwa hisia za msisimko wa juu. Inatoa maelezo yanayoweza kutumiwa kwa wabunifu wa roboti. Kasoro, ambayo waandishi wanakiri, ni paleti nyepesi ya kihisia. Kushindwa kwa woga kinaelezea—kinafunua ukomo wa njia ya sintaksia tu (rangi + kasi ya kuwaka) bila muktadha wa semantiki. Kama ilivyoelezwa katika kazi ya msingi ya kompyuta ya hisia na Picard (1997), mawasiliano halisi ya kihisia mara nyingi yanahitaji tathmini na muktadha, ambayo kamba ya mwanga haina. Ikilinganishwa na mifano ya kisasa zaidi, ya kuzalisha kwa usemi kama ile inayojadiliwa katika makala ya CycleGAN (Zhu et al., 2017) kwa uhamishaji wa mtindo, njia hii ni ya uthibitishaji na haina kubadilika.

Ufahamu Unaoweza Kutekelezwa: Kwa meneja wa bidhaa: Tekeleza hii kwa ajili ya kuashiria hali ya msingi (kazi imekamilika = mwanga wa kijani unaopiga wa furaha, hitilafu = mwanga wa nyekundu unaowaka wa hasira) katika roboti zisizo za kijamii mara moja. Kwa watafiti: Siku zijazi sio katika kuboresha uunganishaji huu thabiti, bali kuufanya ubadilike. Tumia maoni ya kifiziolojia ya mtumiaji (kupitia kamera au kifaa cha kuvaliwa) katika mzunguko uliofungwa ili kurekebisha muundo kwa wakati halisi, ukielekea kwenye mfumo "kama CycleGAN" unaojifunza uunganishaji wa kihisia wa kibinafsi. Shirikiana na timu za AR/VR—teknolojia hii ni kamili kwa kuonyesha hali ya kihisia ya wakala wa AI wasioonekana kwenye onyesho la kichwa juu.

7. Mfumo wa Uchambuzi na Kisa Kielelezo

Mfumo: Mfumo wa Uwezo wa Kituo cha Hisia (ACC)
Tunapendekeza mfumo rahisi wa kutathmini mifumo kama hii: Uwezo wa Kituo cha Hisia. Inapima ni hisia ngapi zinazoweza kutofautishwa kituo (kama onyesho la LED) kinaweza kuwasilisha kwa uhakika kwa mwangalizi wa kibinadamu ndani ya muda fulani. $ACC = log_2(N_{aminifu})$, ambapo $N_{aminifu}$ ni idadi ya hisia zinazotambuliwa kwa kiwango kikubwa zaidi ya bahati nasibu.

Uchambuzi wa Kisa Kielelezo: Kutumia ACC kwa matokeo ya makala hii:

Furaha: Imetambuliwa kwa uhakika.
Hasira: Imetambuliwa kwa uhakika.
Huzuni: Imetambuliwa kwa kiasi (karibu na umuhimu).
Woga: Haijatambuliwa kwa uhakika.

Kwa hivyo, $N_{aminifu} \approx 2.5$. $ACC \approx log_2(2.5) \approx 1.32$ bits. Hii inapima madai: onyesho hili rahisi linatoa zaidi kidogo ya bit 1 ya habari ya kihisia—inatosha kwa ishara ya binary "nzuri/hasara", lakini mbali sana na utajiri wa uso wa kibinadamu. Mfumo huu husaidia kulinganisha njia tofauti za onyesho la hisia kwa uwazi.

Mfano wa Utekelezaji Usio wa Msimbo: Roboti ya huduma katika ukanda wa hospitali hutumia paneli yake ya LED inayoelekea mbele. Chaguo-msingi: Mwanga mweupe laini unaopiga (upande wowote/amilifu). Inapokaribia mtu: Hubadilika hadi mwanga wa njano unaopiga polepole (rafiki/furaha). Inapozuiwa njia: Hubadilika hadi mwanga wa nyekundu unaopiga polepole (kasirika/anasubiri). Baada ya kukamilisha kazi ya uwasilishaji: Mwanga wa kijani unaowaka kwa kasi mara mbili (mafanikio/furaha). Itifaki hii rahisi, iliyotokana moja kwa moja na uunganishaji uliothibitishwa wa makala, inaboresha urahisi unaoonwa bila usemi.

8. Matumizi ya Baadaye na Mwelekeo wa Utafiti

Uunganishaji wa Kihisia wa Kibinafsi: Kutumia ujifunzaji wa mashine kurekebisha muundo wa mwanga kulingana na tafsiri za kibinafsi za mtumiaji, kuongeza viwango vya utambuzi kwenye idadi ya watu tofauti.
Unganishaji wa Njia Nyingi: Kuchanganya onyesho la LED na ishara rahisi za sauti au muundo wa mwendo (mfano, mtetemo wa msingi wa roboti) ili kuunda ishara ya kihisia ya mchanganyiko imara zaidi na inayoweza kutofautishwa, inayoweza kuongeza ACC.
Onyesho Lenye Ufahamu wa Muktadha: Kuunganisha sensorer za mazingira ili usemi wa kihisia urekebishwe na muktadha (mfano, huzuni dhaifu katika chumba chenye mwangaza).
Unganishaji wa Ukweli Unaopanuka (XR): Kutumia onyesho la LED bandia kwenye miwani ya AR kuonyesha hali ya kihisia ya wasaidizi wa AI au dhamana ya dijiti, mwelekeo unaolingana na ramani za utafiti za AR za Meta na Microsoft.
Proxemics na Mwanga: Kufanya utafiti jinsi ukali na rangi ya mwanga inapaswa kubadilika kulingana na umbali wa mwingiliani wa kibinadamu ili kudumisha ukali unaofaa wa kihisia unaoonwa.
Uwekaji wa Kawaida: Kusukuma kwa "lugha ya mwanga ya kihisia" ya kiwango cha tasnia kwa roboti, sawa na LED za hali kwenye vifaa vya elektroniki, ili kuhakikisha uelewevano wa kuvuka jukwaa.

9. Marejeo

M. L. Walters et al., "Exploring the design space for robots displaying emotion," katika Proc. EMCSR, 2006.
R. L. Birdwhistell, Kinesics and Context. University of Pennsylvania Press, 1970.
A. Mehrabian, Nonverbal Communication. Aldine-Atherton, 1972.
C. L. Breazeal, Designing Sociable Robots. MIT Press, 2002.
D. Hanson et al., "Upending the uncanny valley," katika Proc. AAAI, 2005.
H. Ishiguro, "Android science," katika Cognitive Science Society, 2005.
L. D. Riek et al., "How anthropomorphism affects empathy for robots," katika Proc. HRI, 2009.
J. Forlizzi and C. DiSalvo, "Service robots in the domestic environment," katika Proc. HRI, 2006.
J. Gratch and S. Marsella, "A domain-independent framework for modeling emotion," Cognitive Systems Research, 2004.
Y. Zecca et al., "KOBIAN: A new whole-body emotion expression humanoid robot," katika Proc. IEEE ICAR, 2009.
A. L. Thomaz et al., "Robot learning via socially guided exploration," katika Proc. ICDL, 2008.
R. W. Picard, Affective Computing. MIT Press, 1997.
J.-Y. Zhu et al., "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," katika Proc. IEEE ICCV, 2017.