爱上无人机：飞行机器人面部表情的情感感知

文献标题

Drone in Love: Emotional Perception of Facial Expressions on Flying Robots

文献信息

• 主题领域: 人机交互，情感计算，飞行机器人（无人机）设计与评估
• 关键词: 人机交互、情感计算、情绪识别、面部表情、拟人化、机器人、无人机

研究背景与问题

• 研究问题: 随着无人机逐渐进入人类生活空间，人们对其社会可接受性和可理解性尤为关注。现有研究表明，社会机器人通过展示情绪表达可以提高与人类的互动质量。然而，与地面机器人相比，飞行无人机的社会设计更具挑战性，其情绪表达设计的有效性尚待验证。
• 研究重要性: 面部表情是非语言沟通中的核心通道，其在机器人研究和人际交流中都扮演着至关重要的角色。通过设计和评估无人机面部表情表达情绪，可以提高无人机在协作任务、陪伴互动等场景中的接受性。
• 研究动机与相关工作:
  • 无人机的设计需要考虑社会性因素，例如情绪表达、友好性和可感知意图。
  • 人类通常会通过面部表情来推测情绪，但无人机的非拟人化特性可能对情绪表达的识别过程产生影响。
  • 地面机器人相关研究成果，如表情设计和识别模式，并不能直接转移到无人机。

解决方案

• 提出的解决方法:
  • 作者设计了一套无人机“情绪面部表情”渲染图，展示五种基本情绪：喜悦 (Joy)、悲伤 (Sadness)、恐惧 (Fear)、愤怒 (Anger)、惊讶 (Surprise)，每种情绪包含三个强度级别（低、中、高）。
  • 通过两个用户研究（N=98, N=98），验证面部表情在静态和动态呈现条件下的情绪识别效果和影响。
• 创新之处:
  • 整合现有人类面部表情编码系统 (FACS)，优化适合无人机的面部设计，包括眼睛、眉毛、瞳孔及嘴巴。
  • 探讨无人机情绪表达与人类情绪反应之间的关联。
• 实施步骤:
  1. 根据 FACS 系统，一步步构建对应基本情绪的面部表情图。
  2. 实施两个在线实验，分别使用静态图像和动态视频。
  3. 收集参与者的选择数据、信心评分、解释性描述等，分析人类对不同情绪的识别准确度及解释模式。

研究成果

• 具体成果:
  • 人们可以准确识别无人机展示的五种基本情绪（喜悦、悲伤、恐惧、愤怒、惊讶）。但“厌恶” (Disgust) 的识别效果较差。
  • 不同情绪的识别率存在差异：例如“静态”表现中识别率最高的是“喜悦”，而“动态”表现中“悲伤”表现最佳。
  • 人类不仅能够理解无人机的情绪，还会为其情绪状态创造叙事，融入环境因素或人为因素，甚至表现出对无人机的同情与共情。
• 与现有解决方案的比较和优势:
  • 与仅依靠无人机的飞行路径表达情绪相比，面部表情设计提供了更精确的情绪识别能力。
  • 动态展示能更好地传达整体情绪状态，激发参与者的情感反应与交互意向。
• 实验或评估结果:
  • 五种情绪的总体识别率在静态条件下为43%-95%，动态条件下为43%-99%。
  • 人类评价中的情感反应包括情感冲击、同情心以及积极的社会行为意愿（如安慰飞行机器人）。
• 局限性与未来方向:
  • 实验为在线模拟环境，未考虑与真实无人机互动时的环境噪声和飞行行为等复杂因素。
  • 需要将无人机面部表情设计与其飞行路径结合，探索多模态情绪表达的融合效果。
  • 应进一步研究在具体应用场景中（例如快递、执法、陪伴）的情绪表达设计及优劣。

设计与方法论推荐

• 设计推荐:
  • 使用基本的面部特征（如眼睛、眉毛、嘴巴）在非拟人化无人机上构建情绪表达。
  • 重点关注五种基本情绪的设计，可增强社会可接受性和易识别性。
  • 考虑人类情绪反应的互惠性，设计能引发积极社交行为的无人机情绪表达模式。
• 方法学推荐:
  • 应结合静态和动态展示方法进行研究，以综合评估无人机情绪表达的有效性。
  • 动态展示更适合整体感知研究，而静态图像更适用于细化特定面部特征的研究。

此研究为提升无人机在社会环境中的接受度及应用潜力提供了重要参考，同时揭示了无人机表情设计对情感计算和人机交互研究的理论价值。