【剑桥大学博士论文】情感机器人的持续学习，270页pdf

近年来，人工智能（AI）和人机交互（HRI）领域的重大进步使得机器人得以融入人类的日常生活中。在以人为中心的环境中运行的机器人需要积极参与人类的“情感循环”，感知和解释人类的社会情感行为，同时学会以一种有助于他们社会和情感健康的方式作出回应。赋予情感机器人学习机制，使它们能够深刻理解人类行为以及自身在互动中的角色，是情感机器人研究的核心关注点。目前基于机器学习（ML）的解决方案，无论是强大的情感感知还是行为生成，都倾向于应用的普遍化。这些解决方案在大量数据上进行预训练，尽管能够实现各种各样的应用，但它们是静态的，无法充分适应现实世界互动的动态变化。另一方面，情感机器人需要个性化的交互能力，这些能力对个体的社会情感行为敏感，可以根据他们调整情感互动，不断扩大他们的实时学习范围，包括新信息，同时确保保留过去的知识。

为了应对这些挑战，本论文提出了一种新颖的连续学习（CL）范式在情感机器人领域的应用，使机器人具有持续和终身适应能力。它提供了基础公式，将基于CL的适应原则应用于机器人的情感学习。此外，本论文通过研究“情感循环”的每个阶段的学习，反思了情感机器人在持续和个性化情感感知以及适应上下文的行为生成方面的关键需求。从情感感知开始，本论文首次对连续面部表情识别（ConFER）进行了广泛的基准测试，评估在不同学习环境下基于CL方法持续学习面部表情类别的效果。尽管ConFER支持增量学习，但它并没有关注个性化情感感知，这也是情感机器人的另一个关键需求。为了解决这个问题，本文提出了一种使用连续学习与想象力进行面部表情识别（CLIFER）的新框架。受到人脑中基于记忆学习和心理形象的认知过程的启发，CLIFER在逐步学习面部表情类别的同时，通过想象力增强针对个体情感表达的个性化学习。CLIFER在不同基准评估中取得了最先进的（SOTA）成果。在如此动态的条件下学习，情感机器人需要保持公平和公正，确保没有个体（或群体）处于劣势，并且机器人的感知是无偏的。本论文基于性别和种族属性探讨了不同的领域群体，提出并评估了CL作为一种有效策略来确保面部表情识别（FER）系统的公平性，防止因数据分布不平衡而产生的偏见。与SOTA基于ML的方法进行基准比较，突显出基于CL方法的优越偏差缓解能力。最后，本论文探讨了在身心健康辅导过程中感知和适应人类情感行为，作为持续学习情感机器人的应用场景。通过赋予Pepper机器人基于CLIFER的面部情感感知功能，实现个性化的人机交互，使其能够针对个体情感行为进行个性化学习，并动态调整交互流程以产生自然而敏感的反应，适应参与者的情感状态。为了评估Pepper这种持续个性化能力，本研究对20名参与者进行了用户研究，结果表明，使用基于CL的个性化方法显著提高了与Pepper互动的参与者的主观体验。本论文提出的理论公式、基准和框架开启了一种新的研究领域，探讨了基于CL学习对情感机器人的益处。本论文旨在为情感机器人研究创造一个基石，以考虑采用持续和个性化学习方法，构建完全自主和自适应的机器人，使其与人类用户的互动更具目的性和吸引力。