维持现实世界中的人类机器人相互作用需要机器人对人类行为特质敏感,并适应其感知和行为模型以满足这些个人偏好。对于情感机器人,这需要学习适应个人情感行为,以为每个人提供个性化的互动体验。持续学习(CL)已被证明可以在代理中实时适应,从而使他们能够通过逐步获得的数据学习,同时保留过去的知识。在这项工作中,我们提出了一个新颖的框架,用于使用基于CL的感知机制对个性化的人类机器人相互作用进行现实应用,以建模个性化的人类机器人相互作用。为了评估所提出的框架,我们使用三种相互作用行为的变体与20名参与者进行概念证明的用户研究:静态和脚本化,使用基于情感的适应性而无需个性化,并将基于情感的适应性与基于情感的适应持续个性化。我们的结果表明,参与者对基于CL的持续个性化的明显偏好,在机器人的拟人化,动画和可爱性等级以及相互作用中观察到的显着改善,以及与机器人在机器人中的评分显着更高的相互作用,因为机器人的评价明显更好。了解参与者的感受。
translated by 谷歌翻译