基於RGB-LED之情緒顯示器於情感代理體之評估

1. 引言與概述

本文探討使用低解析度RGB-LED顯示器作為一種成本效益高且簡化的模態，用於在情感代理體與機器人中表達人工情緒。核心假設是特定的顏色與動態燈光模式能喚起與基本人類情緒（快樂、憤怒、悲傷、恐懼）的聯想，從而促進人機互動中的非語言情緒溝通。此研究隸屬於情感計算的廣泛領域，旨在透過使互動更直覺且更具情感共鳴來提升技術接受度。

本研究填補了複雜昂貴的擬人表情與外觀受限機器人對簡單、可實作解決方案需求之間的落差。透過使用者研究驗證所提出的燈光模式，本文為此方法的可行性提供了實證依據。

2. 方法論與系統設計

該系統核心為一個客製化的RGB-LED顯示器，設計作為面部特徵的低解析度替代方案。

2.1 RGB-LED顯示器配置

該顯示器由一個RGB LED矩陣組成。關鍵參數包括：

解析度： 低數量矩陣（例如 8x8 或類似），優先考慮模式清晰度而非細節。
控制： 微控制器驅動，允許精確控制色相、飽和度、亮度（HSV/HSL色彩空間）與時間動態。
外型規格： 設計用於整合至缺乏傳統臉部的機器人。

2.2 情緒至燈光映射

基於先前色彩心理學與人機互動的研究（例如 [11]），建立了一個基礎映射：

快樂/喜悅： 暖色調（黃色、橙色）。高亮度，穩定或輕微脈動的光。
憤怒： 暖色調（紅色、深橙色）。高強度，快速閃爍或脈動模式。
悲傷： 冷色調（藍色、青色）。低亮度，緩慢淡出或暗淡脈動。
恐懼/焦慮： 冷色或中性色（藍色、白色、紫色）。不規則、快速閃爍或閃爍模式。

2.3 動態模式生成

除了靜態顏色，動態模式（波形）至關重要。本文探討了以下參數：

頻率： 模式重複的速度（例如，赫茲）。
波形： 亮度隨時間調變的形狀（正弦波、矩形波、鋸齒波）。
振幅： 亮度變化的範圍。

例如，憤怒可能使用高頻矩形波（$f_{anger} > 5Hz$），而悲傷則使用低頻正弦波（$f_{sadness} < 1Hz$）。

3. 實驗設計與驗證

進行了一項使用者研究，以驗證從LED模式中識別情緒的能力。

3.1 參與者人口統計

該研究涉及 N 名參與者，從大學環境中招募，混合了技術與非技術背景，以評估其普遍性。

3.2 程序與指標

參與者觀看一系列LED模式，每種模式代表四種目標情緒之一，順序隨機。每次顯示後，要求他們從封閉列表中（強迫選擇）識別所表達的情緒。主要指標包括：

識別準確率： 每種情緒正確識別的百分比。
混淆矩陣： 分析哪些情緒最常被混淆。
主觀回饋： 關於模式直覺性的質性數據。

4. 結果與分析

4.1 識別準確率

結果顯示不同情緒的成功程度各異。初步數據表明：

高識別率（>70%）： 快樂和憤怒通常能被正確識別，這可能歸因於暖色調與高激發狀態之間強烈的文化與心理聯想。
中等識別率（50-70%）： 悲傷顯示出中等識別率，可能與中性或「休眠」狀態混淆。
較低識別率（<50%）： 恐懼最具挑戰性，其模式常被誤認為其他負面情緒，如憤怒或悲傷，突顯了冷色調動態模式的模糊性。

圖表描述（設想）： 長條圖的y軸顯示識別準確率（0-100%），x軸為四種情緒。快樂與憤怒的長條最高，悲傷中等，恐懼最短。覆蓋的線條可表示信賴區間。

4.2 統計顯著性

統計檢定（例如卡方檢定）證實，快樂與憤怒的識別率顯著高於隨機機率（四選一任務為25%），而恐懼的識別率在統計上與隨機機率無法區分。這強調了對於像恐懼這類複雜情緒，需要改進模式設計。

5. 技術細節與數學框架

情緒狀態 $E$ 可以建模為一個影響光輸出參數的向量。對於給定的情緒 $e_i$，時間 $t$ 的顯示狀態 $L(t)$ 定義為：

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

其中：

$H$：色相（主波長，根據色彩心理學映射）。
$S$：飽和度（色彩純度，例如，強烈情緒時較高）。
$V$：明度/亮度，為時間與情緒的函數：$V(t) = A(e_i) \cdot w(2\pi f(e_i) t) + V_{base}(e_i)$。$A$ 是振幅，$w$ 是波形函數（正弦、方波），$f$ 是頻率。
$f$：模式的時間頻率。
$w$：定義模式隨時間形狀的波形函數。

例如，憤怒（$e_a$）可參數化為：$H_{a} \approx 0\text{° (紅色)}, S_{a} \approx 1.0, V_{a}(t) = 0.8 \cdot \text{square}(2\pi \cdot 5 \cdot t) + 0.2, f_{a}=5\text{Hz}$。

6. 核心見解與分析師觀點

核心見解： 本文並非關於打造更好的情緒臉孔；它是針對「無臉」機器人經濟的一種務實解決方案。它主張，對於大眾市場、成本敏感的機器人（例如倉儲機器人、簡單家庭助理），一個5美元的LED網格對於快樂和憤怒等基本狀態，可以達到5萬美元擬人臉孔70%的情緒可識別性。真正的價值主張是每美元的情感頻寬。

邏輯流程： 論點清晰且具工業性：1) 複雜臉孔昂貴且計算負載重（引用Geminoid、KOBIAN）。2) 非語言線索對人機互動接受度至關重要。3) 燈光便宜、可程式化且普遍可感知。4) 讓我們將基本情緒映射到最簡單的燈光參數（顏色、閃爍）。5) 測試是否有效。此流程較少涉及心理深度，更多是關於情感表達最小可行產品（MVP）的工程驗證。

優點與缺陷： 其優點在於殘酷的實用性以及對高激發情緒的清晰實驗驗證。它為機器人設計師提供了可用的規格。其缺陷，作者也承認，在於淺薄的情緒調色盤。恐懼的失敗具有啟示性——它揭示了純粹句法方法（顏色+閃爍速度）缺乏語義背景的局限性。正如Picard（1997）在情感計算基礎工作中所指出的，真正的情緒溝通通常需要評估與背景，而燈條缺乏這些。與更複雜、生成性的表達模型（如《CycleGAN》論文（Zhu等人，2017）中討論的風格轉換）相比，此方法是確定性的且缺乏適應性。

可行見解： 對於產品經理：立即在非社交機器人中實施此技術以進行基本狀態信號傳遞（任務完成 = 快樂綠色脈動，錯誤 = 憤怒紅色閃爍）。對於研究人員：未來不在於改進此靜態映射，而在於使其具有適應性。使用使用者的生理回饋（透過攝影機或穿戴式裝置）形成閉迴路，即時調整模式，邁向一個學習個人化情緒映射的「類CycleGAN」系統。與AR/VR團隊合作——此技術非常適合在抬頭顯示器中指示隱形AI代理體的情緒狀態。

7. 分析框架與範例案例

框架：情感通道容量（ACC）框架
我們提出一個簡單的框架來評估此類系統：情感通道容量。它衡量一個通道（如LED顯示器）在給定時間窗口內能可靠地向人類觀察者傳達多少可區分的情緒狀態。$ACC = log_2(N_{reliable})$，其中 $N_{reliable}$ 是識別率顯著高於隨機機率的情緒數量。

範例案例分析： 將ACC應用於本文結果：

快樂：可靠識別。
憤怒：可靠識別。
悲傷：勉強可靠（邊緣顯著性）。
恐懼：不可靠。

因此，$N_{reliable} \approx 2.5$。$ACC \approx log_2(2.5) \approx 1.32$ 位元。這量化了該主張：這個簡單的顯示器僅提供略多於1位元的情感資訊——足以用於二元「好/壞」信號，但遠不及人臉的豐富性。此框架有助於客觀比較不同的情感顯示模態。

非程式碼實作情境： 醫院走廊中的服務機器人使用其正面LED面板。預設： 柔和的白色脈動（中性/活動中）。當接近人時： 轉換為緩慢的黃色脈動（友善/快樂）。當路徑被阻擋時： 切換為緩慢的紅色脈動（惱怒/等待中）。完成遞送任務時： 快速綠色閃爍兩次（成功/喜悅）。這個簡單的協定，直接源自本文驗證過的映射，無需語音即可增強感知的直覺性。

8. 未來應用與研究方向

個人化情緒映射： 使用機器學習使燈光模式適應個別使用者的解讀，提高在不同人群中的識別率。
多模態融合： 將LED顯示器與簡單的聲音提示或運動模式（例如，機器人底座振動）結合，以創建更穩健且可區分的複合情緒信號，可能提升ACC。
情境感知顯示： 整合環境感測器，使情緒表達能根據情境調變（例如，在明亮的房間中調暗悲傷表達）。
延展實境（XR）整合： 在AR眼鏡上使用虛擬LED顯示器來指示AI助理或數位分身的情緒狀態，此方向與Meta和Microsoft的AR研究路線圖一致。
空間關係學與燈光： 研究燈光的強度與顏色應如何根據與人類互動者的距離而變化，以維持適當的感知情緒強度。
標準化： 推動建立機器人產業標準的「情緒燈光語言」，類似電子設備上的狀態指示燈，以確保跨平台的可理解性。

9. 參考文獻

M. L. Walters 等人，"探索機器人顯示情感的設計空間"，於 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 等人，"顛覆恐怖谷"，於 Proc. AAAI，2005。
H. Ishiguro，"Android science"，於 Cognitive Science Society，2005。
L. D. Riek 等人，"擬人化如何影響對機器人的同理心"，於 Proc. HRI，2009。
J. Forlizzi 和 C. DiSalvo，"家庭環境中的服務機器人"，於 Proc. HRI，2006。
J. Gratch 和 S. Marsella，"一個領域獨立的建模情緒框架"，Cognitive Systems Research，2004。
Y. Zecca 等人，"KOBIAN：一種新的全身情緒表達人形機器人"，於 Proc. IEEE ICAR，2009。
A. L. Thomaz 等人，"透過社會引導探索的機器人學習"，於 Proc. ICDL，2008。
R. W. Picard，Affective Computing。MIT Press，1997。
J.-Y. Zhu 等人，"使用循環一致性對抗網路進行非配對圖像到圖像轉換"，於 Proc. IEEE ICCV，2017。