韓 晶 解 侖 劉 欣 徐上謀 王志良

(1北京科技大學計算機與通信工程學院, 北京 100083)(2北京科技大學自動化學院, 北京 100083)

基于Gross認知重評的機器人認知情感交互模型

韓 晶1解 侖1劉 欣2徐上謀1王志良1

(1北京科技大學計算機與通信工程學院, 北京 100083)(2北京科技大學自動化學院, 北京 100083)

為了增強機器人的認知情感分析能力,依據(jù)AVS情感空間和有限狀態(tài)機(FSM)提出了一種基于Gross認知重評策略的認知情感交互模型.首先,通過分析情感狀態(tài)之間的歐式距離,研究外界情感刺激對情感狀態(tài)轉移概率的影響;然后,采用有限狀態(tài)機描述了受到認知重評策略影響的情感狀態(tài)轉移過程;最后,根據(jù)情感狀態(tài)轉移概率和7種基本情感的空間坐標,得出受到刺激后機器人情感狀態(tài)的空間位置.實驗結果表明,與不受認知重評策略影響的情感交互模型相比,所提模型能夠減少機器人對外界情感刺激的依賴,從而有效地促進了和諧的人機交互體驗.

認知情感交互模型;情感狀態(tài)轉移概率;Gross認知重評;AVS情感空間;有限狀態(tài)機

隨著人機互動發(fā)展的不斷深入,基于維度論的情感空間模型結合了人類情感分布的連續(xù)性和復雜性特征,成為情感計算研究的重要方向之一[1].該類模型中的每一個點代表了一種情感狀態(tài),每一個維度代表了情感狀態(tài)的一類特征,只需對維度變量進行簡單配置就能描述基本情感狀態(tài). Nanty等[2]提出了一種基于愉悅度、激活度和優(yōu)勢度3個維度的PAD(pleasure-arousal-dominance)情感空間模型. AVS(arousal-valence-stance)情感空間模型通過使用3種情感特征(喚醒度、效價、姿態(tài))對某一種外部刺激進行標記,進而將其映射到情感空間來激活某種情感狀態(tài)[3].

情感的激活需要通過一系列外在因素與內(nèi)在因素相互作用來實現(xiàn),是一個復雜的情感狀態(tài)轉移過程[4].它不僅受到外界情感刺激和當前情感狀態(tài)的影響,還與個體自身的情感認知能力有關.基于維度論的情感空間模型能夠較為清晰地描述人類情感狀態(tài),符合人類情感的多樣性,但卻沒有充分考慮個體認知能力對情感狀態(tài)的影響.具有情感認知分析能力的機器人能夠對一些突發(fā)且不可預測的事情進行調(diào)節(jié),有助于促進自然、和諧的人機交互體驗.在Gross情感調(diào)節(jié)理論中,認知重評調(diào)節(jié)策略依據(jù)個體的認知能力來理解事件,改變情感體驗,從而使事情合理化[5].

本文在分析AVS情感空間中外界情感刺激對機器人當前情感狀態(tài)影響的基礎上,將基于個性特征的認知重評策略引入到情感狀態(tài)轉移過程中,利用有限狀態(tài)機(FSM)構建了機器人的認知情感交互模型.然后,將情感狀態(tài)轉移概率與7種基本情感狀態(tài)的空間坐標位置相結合,得到受外界刺激后的情感狀態(tài)在情感空間中的位置.

1 基于情感空間的情感狀態(tài)分析

為了便于分析,根據(jù)AVS情感空間中基本情感狀態(tài)所在的位置區(qū)域[6],對7種基本情感進行量化,得到其位置矢量Ei={ai,vi,si}(i=1,2,…,7),其中E1,E2,…,E7分別表示高興、悲傷、生氣、驚訝、恐懼、厭惡和平靜.將包含這7種基本情感狀態(tài)在內(nèi)的空間區(qū)域作為情感活動區(qū)域.

情感空間距離的遠近在一定程度上能夠反映出情感狀態(tài)之間的轉移概率,即情感狀態(tài)轉移概率.情感狀態(tài)之間的空間距離不同,則轉移概率也不同:距離越遠,轉移概率越小;反之則越大.本文利用歐幾里得度量方法,得出外界情感刺激Es={as,vs,ss}到7種基本情感狀態(tài)Ei={ai,vi,si}(i=1,2,…,7)之間的距離為

i=1,2,…,7

(1)

根據(jù)情感空間距離DEsi,可以將每一類基本情感狀態(tài)劃分為多個不同的等級xi=f(DEsi).各個等級的情感狀態(tài)與基本情感狀態(tài)的轉移概率近似服從高斯分布[7].那么,可以得出外界情感刺激向7種基本情感狀態(tài)轉移的概率為

i=1,2,…,7

(2)

式中,μi,σi分別為第i種基本情感狀態(tài)的期望和方差,其值由情感等級的分布決定.

2 認知情感交互模型

2.1 Gross認知重評策略

Gross認知重評策略是指個體對于事件情感方面的理解,具有調(diào)節(jié)個體情感的作用.在認知重評能力足夠強時,即將被觸發(fā)的情感類型可能會被改變. 個體的認知重評能力受到來自個性特征、周圍環(huán)境和情感類型等多種因素的影響.本文主要分析基于個性特征的認知重評策略對情感狀態(tài)轉移的影響.大五人格理論(five factor model,FFM)是由McCrae等[8]運用統(tǒng)計分析方法提出的,能夠分析個體的多種人格特征之間的相互關系.目前,該理論廣泛應用于機器人的情感狀態(tài)研究中[9-10].隨著個性特征的增加,認知重評能力不斷增強直至逼近某一臨界值.為了描述這一過程,認知重評參數(shù)的表達式可表示為

(3)

式中,cl∈[0,1]表示第l種人格的評估值在5種人格評估值中所占的比例,由 NEO-PI-R人格量表對大五人格進行評估得到;ρ為個性特征的認知重評能力.

2.2 基于FSM的情感狀態(tài)轉移

個體情感的激活不僅與外界輸入刺激有關,還與個體當前的情感狀態(tài)和認知能力有關(見圖1).這一固有性質(zhì)與有限狀態(tài)機的功能描述是吻合的,因此本文采用有限狀態(tài)機對情感狀態(tài)轉移概率進行分析.

圖1 情感狀態(tài)轉移過程

i=1,2,…,7

(4)

2.3 情感狀態(tài)的空間坐標表示

(5)

(6)

式中,(ai,vi,si)為第i種基本情感狀態(tài)的坐標.

在情感狀態(tài)轉移概率已知的情況下,利用所提方法能夠得到AVS情感空間活動領域內(nèi)任意情感狀態(tài)的坐標點,從而豐富了機器人的情感狀態(tài)類型.

3 仿真與實驗

3.1 情感狀態(tài)轉移概率分析

根據(jù)式(6)可得,在AVS情感空間活動區(qū)域中受到外界刺激后機器人的情感狀態(tài)向第i種基本情感狀態(tài)轉移的概率曲線(見圖2).顯然,與不受認知重評策略約束的情感狀態(tài)轉移曲線相比,受到認知重評策略約束的情感狀態(tài)轉移概率值均偏低.此現(xiàn)象表明認知重評策略對機器人的情感狀態(tài)轉移起到了一定的調(diào)節(jié)作用,減少了機器人情感狀態(tài)對外界情感刺激的過度依賴.

圖2 情感狀態(tài)轉移概率比較

當外界刺激相同時,不同認知重評參數(shù)下情感狀態(tài)向7種基本情感狀態(tài)轉移的概率也不相同.其情感狀態(tài)轉移概率的變化如圖3所示.由圖可知,認知重評參數(shù)越強,個體對外界輸入刺激的情感制約能力越強,即越趨于平靜狀態(tài).

圖3 不同認知重評參數(shù)下機器人情感狀態(tài)轉移概率

為了更直觀地了解認知重評策略對機器人情感狀態(tài)變化的影響,基于情感狀態(tài)空間分析了不同認知重評策略下情感的空間變化軌跡.假設機器人的初始情感狀態(tài)點為Et={1.076 9,0.692 3,0},在某段時間內(nèi)給予5次相同的外界情感刺激Es={6,4.5,1.5},得到認知重評參數(shù)τ=0.4,0.8的情況下機器人的情感空間位置變化情況(即情感狀態(tài)的變化)，結果見圖4.圖中，“*”為外界情感刺激的空間位置.由圖可知,在受到多次外界情感刺激后,機器人的情感狀態(tài)點逐漸向Es所在位置逼近.但是由于受到認知重評策略的影響,此逼近速度不斷下降.在5次相同的外界刺激下,與τ=0.8時的情感運動軌跡相比,τ=0.4時情感狀態(tài)向外界刺激點的逼近速率更快.由此表明,認知重評策略能夠有效地控制情感狀態(tài)的轉移,并且外界刺激對機器人的影響會隨著認知能力的增強而減弱.

圖4 受到多次相同刺激后機器人的情感狀態(tài)空間變化軌跡

3.2 認知情感交互模型的有效性驗證

在機器人系統(tǒng)平臺上對所提模型的有效性進行實驗驗證.針對同一種情感狀態(tài),由于情感強度不同,人類表達情感的動作也不相同.基于此,該實驗依據(jù)情感強度將機器人的情感動作進行了細分(見表1).

表1 機器人的動作與情感狀態(tài)對照表

實驗中,由受試者選擇機器人系統(tǒng)內(nèi)人臉表情庫中的圖片(已標定情感類型);然后,機器人提取圖片的情感信息,并利用所提模型進行情感狀態(tài)轉移分析;最后,通過肢體動作將情感狀態(tài)反饋給受試者.人機交互過程中機器人對不同強度下悲傷情感的反饋動作如圖5所示.

(a) 低強度

(b) 中強度

(c) 高強度

邀請30位受試者并均分為2組,第1組受試者體驗不受認知重評策略約束的機器人情感反饋;第2組受試者體驗受到認知重評策略約束的機器人情感反饋.采用Likert量表對機器人不同情感反饋動作的滿意度進行調(diào)查.其中滿意度被分為5個等級:非常不滿意(-2)、不滿意(-1)、一般(0)、滿意(1)和非常滿意(1). 調(diào)查問卷的分數(shù)越高,滿意度等級越高;反之則越低.2組受試者對機器人的滿意度調(diào)查結果見圖6.由圖可見, 第1組受試者對機器人情感反饋的滿意度均高于第2組,且在驚訝狀態(tài)下的滿意度差別最大.這說明引入認知重評策略的情感模型有助于促進自然、和諧的人機交互體驗.

圖6 機器人情感反饋的滿意度統(tǒng)計

4 結語

本文提出了一種基于Gross認知重評策略的機器人認知情感模型.該模型根據(jù)情感狀態(tài)在AVS情感空間中的分布,得到外界刺激對情感狀態(tài)的影響值;并且通過情感狀態(tài)轉移概率計算出機器人情感狀態(tài)在空間中的位置,從而實現(xiàn)了連續(xù)情感空間中情感狀態(tài)的轉移.仿真實驗結果驗證了該模型的有效性.然而，人類的情感轉移過程是復雜的,該模型只考慮了個性特征對情感狀態(tài)的影響，并不能比較完整地模擬情感交互過程.如何合理分析多種情感影響因素對情感交互模型的優(yōu)化作用成為下一步研究的重點.

References)

[1]Rodriguez L F, Ramos F, Wang Y X. Cognitive computational models of emotions[C]//10thIEEEInternationalConferenceonCognitiveInformaticsandCognitiveComputing. Banff, Canada, 2011: 75-84.

[2]Nanty A, Gelin R. Fuzzy controlled PAD emotional state of a NAO robot [C]//2013IEEEConferenceonTechnologiesandApplicationsofArtificialIntelligence(TAAI). Taipei, China, 2013: 90-96.

[3]Russell J A, Bullock M. Multidimensional scaling of emotional facial expressions: similarity from preschoolers to adults [J].JournalofPersonalityandSocialPsychology, 1985, 48(5): 1290-1298.

[4]Reisenzein R, Hudlicka E, Dastani M, et al. Computational modeling of emotion: toward improving the inter-and intradisciplinary exchange [J].IEEETransactionsonAffectiveComputing, 2013, 4(3): 246-266.

[5]Peng X L, Xie L, Liu X, et al. Emotional state transition model based on stimulus and personality characteristics [J].ChinaCommunications, 2013, 10(6): 146-155.

[6]Breazeal C. Function meets style: insights from emotion theory applied to HRI [J].IEEETransactionsonSystems,Man,andCybernetics:PartC:ApplicationsandReviews, 2004, 34(2): 187-194.

[7]孫佩宏,陶霖密.PAD情感空間中情感距離度量方法[C]//第四屆和諧人機環(huán)境聯(lián)合學術會議.中國，武漢,2008:638-645. Sun Peihong, Tao Linmi. Emotional distance measurement method in PAD emotional space [C]//The4thJointAcademicConferenceonHarmoniousMan-MachineEnvironment. Wuhan, China, 2008: 638-645. (in Chinese)

[8]McCrae R R, Costa P T. Validation of the five-factor model of personality across instruments and observers [J].JournalofPersonalityandSocialPsychology, 1987, 51(1): 81-90.

[9]Han M J, Lin C H, Song K T. Robotic emotional expression generation based on mood transition and personality model [J].IEEETransactionsonCybernetics, 2013, 43(4): 1290-1303.

[10]Hu X, Xie L, Liu X, et al. Emotion expression of robot with personality [J].MathematicalProblemsinEngineering, 2013, 2013: 132735-1-132735-10.

[11]Hupont I, Baldassarri S, Cerezo E. Facial emotional classification: from a discrete perspective to a continuous emotional space [J].PatternAnalysisandApplications, 2013, 16(1): 41-54.

Cognitive emotion interaction model of robot based on Gross cognitive reappraisal

Han Jing1Xie Lun1Liu Xin2Xu Shangmou1Wang Zhiliang1

(1School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China)(2School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China)

In order to enhance the robot’s cognitive emotion analysis ability, a cognitive emotion interaction model based on the Gross cognitive reappraisal strategy is proposed according to AVS (arousal-valence-stance) emotion space and finite state machine(FSM). By analyzing the Euclidean distance between the emotional states, the influence of external emotional stimuli on the emotional state transition probability is studied. Then, the emotional state transition process affected by the congnitive reappraisal strategy is described by finite state machine. Finally, according to the emotional state transition probability and the space coordinates of seven basic emotions, the space positions of the robot’s emotional state after emotional stimuli are derived. The experimental results show that compared with the emotional interaction model without the cognitive reappraisal strategy, the proposed model can reduce the robot’s dependence on external emotional stimuli, thus effectively promoting harmonious human-computer interaction experience.

cognitive emotion interaction model; emotional state transition probability; Gross cognitive reappraisal; AVS (arousal-valence-stance) emotion space; finite state machine

10.3969/j.issn.1001-0505.2015.02.014

2014-09-05. 作者簡介: 韓晶(1990—),女,博士生；解侖(聯(lián)系人),男,教授,博士生導師,xielun@ustb.edu.cn.

國家自然科學基金面上資助項目(61170115)、國家自然科學基金重點資助項目(61432004)、“十二五”國家科技支撐計劃資助項目(2014BAF08B04) 、北京市融合網(wǎng)絡與泛在業(yè)務工程技術研究中心2014年度科技創(chuàng)新基地培育與發(fā)展工程專項資助項目.

韓晶,解侖,劉欣,等.基于Gross認知重評的機器人認知情感交互模型[J].東南大學學報:自然科學版,2015,45(2):270-274.

10.3969/j.issn.1001-0505.2015.02.014

TP242.6

A

1001-0505(2015)02-0270-05