連續空間中機器人的情緒交互模型

解侖，劉欣，賀苗，王志良

?

連續空間中機器人的情緒交互模型

解侖，劉欣，賀苗，王志良

(北京科技大學計算機與通信工程學院，北京，100083)

根據交互過程中的場力理論，在有源場情緒狀態空間中建立起服務機器人的連續可控的情感調節過程。首先，在費希納?韋伯定律的基礎上，定量分析Gross策略中情緒的自發性認知重評與指導性認知重評過程；其次，根據情感強度第三定律提出一種與情緒效價相關聯的情緒強度衰減模型；再次，依據動力心理學理論，建立起基于有源場的情緒能量空間，用于模擬外界刺激情緒與機器人自身情緒的相互作用過程；并建立起基于情緒喚醒度的機器人行為表達抑制模型。在此研究基礎上，提出基于HMM的情緒狀態刺激轉移算法；并將以上模型算法用于13自由度的服務機器人平臺中，實現非典型表情交互環境中機器人不確定性情緒過程的動態、可控調節。通過在連續情緒狀態空間中的不確定性計算將離散的情緒狀態拓展到連續空間中，并產生多種中間狀態以及發揮機器人情緒調節的擬人特征。研究結果表明：具有認知能力及情緒控制力的機器人可以在交互過程中使參與者的滿意程度得到一定提升。

機器人；人機交互；認知重評；情緒調節；有源場情緒空間

由于人類之間的溝通與交流是自然而富有情感的，因此，在人機交互的過程中，人們也很自然地期望計算機具有認知情感能力。如何使計算機能夠識別和產生人類的情緒，已經越來越多地受到計算機科學、心理學等學科的關注，逐漸誕生了認知情感計算這一交叉領域[1?2]。認知情感計算(cognitive affective computing)就是要賦予計算機類似于人一樣的觀察、理解和生成各種情緒狀態的能力，最終使計算機像人一樣能進行自然、親切和生動地交互[3?5]。近年來，機器人研究領域涌現出眾多有價值的情緒模型。LAZARUS[6]指出認知調節與期望價值理論(動機心理學中最有影響價值的理論之一)在情緒與行為相關社科領域的發展將進一步促進有限情緒狀態分類方法的研究。基于面部表情研究，EKMAN[7]提出了6種基本的情緒狀態，包括：快樂、恐懼、悲傷、憤怒、驚訝和厭惡，該分類方法得到諸多表情與情緒研究領域學者的認可。AMERO[8]將情緒劃分為憤怒、厭倦、恐懼、快樂、有趣和悲傷，并將其應用到社交機器人的情緒建模研究中。GADANHO[9]將4種基本情緒狀態(快樂、恐懼、悲傷和憤怒)與特定事件相聯系來開展情緒建模研究。VELáSQUEZ[10]提出了一種基于有限情緒狀的自主機器人控制方法，此方法將6種基本情緒狀態(憤怒、恐懼、懊悔、快樂、厭惡和驚訝)應用于機器人的先天個性形成與后天學習能力培養的研究中。MURPHY等[11]將任務鏈中獲取的4種基本情緒狀態(快樂、自信、關心和挫敗)應用到多Agent系統建模中。隨著認知情感研究的不斷深入，越來越多的學者將離散的情緒集擴展到連續的情緒狀態空間中。MEHRABIAN等[12]提出了PAD(pleasure?arousal? dominance)三維情感模型，PAD 情緒模型用愉悅度、激活度和優勢度這 3個相互獨立的維度來描述和測量情緒狀態。其中，愉悅度表示個體情緒狀態的正負情感特性，也就是情緒的效價；激活度表示個體的神經生理激活水平和心理警覺狀態；優勢度表示個體對環境和他人的控制狀態，即處于優勢狀態還是處于順從狀態[13?14]。在此基礎上，SCHERER等[15?16]改進了PAD三維情緒空間并將其應用于社交機器人的情緒決策系統中。ZECCA等[17]將建立的APC (arousal? pleasant?certain)三維心理向量空間應用于機器學習、動態情緒調節及機器的個性化研究領域。此外，BREAZEAL[18]在對表情機器人Kismet的研究過程中提出了AVS(arousal?valence?stance)情緒空間模型。針對目前人機交互過程中的認知缺失問題，本文作者提出了一種基于Gross認知重評的連續狀態情緒調節方法。首先，在情緒的動態調節過程中，建立基于Gross認知策略的指導性及自發性認知重評模型，以完成個性化的認知過程，增強機器人的動態認知性能。其次，在有源場情緒空間中，定義情緒衰減因子，以此描述情緒隨時間遷移的變化過程，并空間中的能量分布得到機器人的情緒狀態轉移概率。最終，結合隱馬爾科夫雙重隨機過程來描述機器人的情緒調節與表達，并以13自由度的機器人實驗平臺為情緒表達的基礎，來實現人與機器人的動態認知情緒互動。

1 機器人的認知情緒處理

1.1 認知重評策略

GROSS[19?20]認為情緒調節(emotion regulation)是個體對產生何種情緒、情緒何時發生、如何進行情緒體驗與表達抑制影響的過程。簡單地說，情緒調節是指個體對情緒發生、體驗與表達施加影響的過程[16]。情緒調節涉及對情緒的潛伏期、發生時間、持續時間、行為表達、心理體驗、生理反應等的改變，是一個動態過程。Gross提出了5種情緒調節策略[21]：情境選擇、情境修正、注意分配、認知重評與表達抑制。認知重評是發生在情緒調節過程早期的先行聚焦策略，認知重評策略包括自發性認知重評和指導性認知重評2部分。自發性認知重評主要依賴于情緒體驗中內部意志和個性因素的影響，自導性認知重評則與指導情緒的強度和當前情緒狀態的開放程度。當個體處于困境或心理期待與現實存在差距時，將會催生諸如悲傷、焦慮、憤怒、痛苦等負向情緒。一般而言，認知重評過程可以有效降低負向情緒強度，改善個體的情緒體驗。此外，在情緒調節的過程中，表達抑制策略也可以促進負向情緒體驗程度的降低。然而，心理學家研究證明，相比于其他4種情緒調節策略，認知重評策略對于抑制負向情緒的體驗最為有效。

人的心理由內在需求與外在環境的相互作用決定，當人的需求未得到滿足時，會產生內部張力，而環境(可具體到目標或對象)起著誘導作用。因此，人的行為是個體與環境的函數：

可以將情緒空間想象為一個整體，該整體被劃分為多個不同的區域。其中，每一區域代表著一類情緒狀態，或至少一種行為的可能。通過行為的交互，目標的情緒對主體自身情緒發出吸引或排斥的作用力，即場力理論。

由此可見，人的心理行為由內在行為與外在環境共同決定。在本文涉及的人與機器人的交互過程中，環境因素重點考慮到交互者的情緒狀態的類型以及外在指導性情緒的強度；個性因素主要通過機器人模擬人類的自發性認知重評來實現。

1.2 指導性認知重評建模

在人機交互的過程中，參與者可以通過語言、行為或面部表情的表達方式給予機器人鼓勵和安慰，以此達到指導性認知重評的目的，本文將以參與者的表情作為指導性認知重評的依據。在有源場狀態空間中，指導性認知重評的發生將會改變外界刺激情緒的位置，經調查問卷的統計分析可知經重評后的認知情緒狀態出現在外界刺激情緒狀態與指導情緒狀態間的概率分布服從高斯分布，如圖1所示。

圖1 指導性認知重評策略

其中：為外界刺激情緒狀態與指導情緒的距離；為歐拉數。

1.3 自發性認知重評建模

費希納?韋伯定律指出內在感受強度與外界刺激強度的對數成正比，即

其中：為感受強度；為刺激強度；m和為常數。顯然，這是一個普適的規律，但由于心理耐受力等個性因素的影響，經自發性認知重評后的感受強度規律并不如此統一。因此，本文引入個性重評因子，從而式(4)可表示為

根據AVS三維情感模型，可以設計出簡化版的情感量表，每個維度(A，V，S)分別用4個項目進行測量，喚醒度通過平靜?興奮、支配?順從、痛苦?高興、感興趣?放松4項進行測量；效價通過憤怒?困倦、受控?主控、友好?輕蔑、平靜?興奮4項進行測量；開放度通過謙卑?高傲、興奮?激怒、拘謹?驚訝、有影響力?被影響4項進行測量。根據九點語義差異量表的設計方法，每個項目可由1對在其他2個維度上基本無差異，在其所屬維度上對立的情緒狀態形容詞組成，并將詞間的間隔分為9段。針對簡化版的情感量表，設計了對應7種典型外界刺激情緒狀態的7個實驗場景，并隨機選擇500名不同年齡段的志愿者(11~20歲，21~30歲，31~40歲，41~50歲，51~60歲各100人)，通過實驗獲得各種外界刺激狀態下的AVS數據。經自發性認知后的情緒狀態分布如圖2所示。經統計發現：認知后正向情景對應的500個AVS數據無明顯的變化，負向情景對應的500個AVS數據近似服從高斯分布。從而，可以用一組滿足高斯分布的隨機數據模擬自發性認知的參數，使機器人具有不確定性的、多元化的自發認知方式。

圖2 經自發性認知后的情緒狀態分布

2 機器人的動態情緒調節過程

2.1 情緒狀態的空間描述

與傳統有限情緒狀態不同的是，本文將情緒調節過程定義在連續時間連續狀態空間中，以使機器人的情緒過程更加細膩、擬人。機器人的自身情緒狀態空間涵蓋了其內心所有情緒體驗，在外界刺激作用下，機器人的情緒狀態可以在該空間中自由的轉換。情緒狀態S可以看作時刻在有源場狀態空間中的位置。在有源場狀態空間中，每個情緒狀態的強度都可以通過其情緒勢能來量度。在Ekman 6種基本情緒理論的基礎上，將平靜引入到外界刺激情緒集中，以此構成具有7種基本情緒狀態的外界刺激基本空間：

={憤怒，厭惡，恐懼，高興，悲傷，驚訝，平靜}

2.2 連續空間中的情緒建模

動力心理學表明，人類的情緒調節過程與其他物理系統一樣，需要能量的驅動，在心理學中稱之為心理能量。因此，本文將場的概念引入到Kismet機器人的喚醒度?效價?開放度(AVS)三維情緒狀態間中，用于描述情緒的時空特性，并可以定量地衡量情緒調節過程中能量的動態轉移過程。在此有源場狀態空間中，機器人感受到的外界刺激情緒與其當前自身情緒狀態的相互作用如圖3所示，其中，場的強度與分布由情緒狀態的激活類型與強度決定。

圖3 有源場情緒空間模型

其中：W為經認知分析后外界刺激情緒狀態的強度；S為當前情緒狀態的強度；為常量。

2.3 情緒強度的衰減

在AVS三維情緒狀態空間中，坐標軸效價(valence)用于表達情緒的特性，與情緒強度的衰減尺度緊密相關。換而言之，情緒強度的衰減受到效價軸坐標的影響。從而得到情緒的衰減系數為

情緒強度除了受到情緒自身特性的影響外，還會隨著時間的遷移逐漸衰減。根據情感強度第三定律(情感強度時間衰減定律)可知：情緒強度與持續時間成負指數關系。從而可以得到情緒強度的衰減規律(如圖4所示)。

當然，從絕對意義上來說，任何情感的強度都不會無限接近于0，因為，任何情感的強度一方面在“情感強度第三定律”的作用下不斷趨于0，另一方面又在眾多隨機變量的擾動下不斷偏離0，從而形成情緒不斷調節的波動過程。

2.4 基于HMM的動態情緒調節

人與機器人的情緒交互可以劃分為2部分：基于認知的個性化情緒調節和機器人的情緒行為表達。此交互過程可以看作一個雙重隨機過程，因此，本文采用隱馬爾可夫模型對其進行模擬如圖5所示。理論上，機器人的情緒狀態由心理能量的驅使產生，具有情緒狀態的能量越大，其被激活的可能性也隨之上升。但在實際心理過程中，情緒狀態的能量并不能趨近于無窮大(過激)或無窮小(過敏)，而是在一定閾值內被激活與感知，因此，需要定義情緒的可感知閾值[,]。當情緒狀態的能量在與之間時，此情緒狀態存在被激活的可能性。從而得到在有源場狀態空間中，機器人的下一情緒狀態概率為

圖5 基于HMM的動態情緒調節過程

3 機器人的行為交互及實現

3.1 機器人的機械結構

機器人的機械結構依據成人身體及四肢比例設計，如圖6所示，機器人共有13個自由度(如表1所示)，可以實現百余種表情交互。手臂及頸部采用多關節聯合驅動方式，提高了機器人對各運動關節的協同驅動能力并解決了延時影響交互效果的問題，通過PWM雙向控制技術，實現機器人任意方向精度的姿態控制。此外，機器人采用三輪式全向移動底盤設計，如圖7所示，雙前輪驅動方式有效提高了機器人的驅動能力和負載能力，通過增量式PID控制整個調節的過程，實現機器人任意方向精確的直線及弧線運動實現自動避讓障礙和路徑規劃。

(a) 外觀；(b) 整體結構；(c) 上肢結構

(a) 俯視圖；(b) 三維視圖

表1 機器人的自由度分配

3.2 機器人的情緒表達模型

在人機交互過程中，機器人不斷喚起與體驗自身情緒，并通過面部表情這一情緒反應核心部分表現出其當前情緒狀態。在Gross認知情緒理論中，表達抑制作為反應關注情緒調節在情緒反應趨勢之后進行，可以通過自我控制的方式降低主觀的過激情緒行為，也就是說，表達抑制與情緒的可控性密切相關。在心理學研究中，情緒的激活程度與可控性相互對立，當具備較高激活程度的情緒時，其表達抑制的影響會相對減弱。在AVS情緒狀態空間中，情緒狀態在喚醒度坐標的位置可以表現出該情緒所具備的激活程度，因此，喚醒度的坐標影響著機器人的表達抑制能力。通過預處理，可得到表情機器人的情緒抑制因子：

1—有抑制因子；2—無抑制因子。

圖8 情緒抑制因子對行為動作幅度的影響

Fig. 8 Effect of emotional inhibition factor on action range

3.3 行為交互的實現

本文所提出的情緒交互模型被應用于實時交互的情景中進行有效性驗證，機器人采用基于Gabor小波的表情識別方法捕捉參與者的情緒狀態，捕捉結果如圖9所示。

(a) 高興；(b) 平靜；(c) 悲傷；(d) 恐懼；(e) 驚訝；(f) 憤怒；(g) 厭惡

在有源場情緒空間中，可以通過機器人的認知情緒狀態與當前情緒狀態得到其在空間中的情緒狀態轉移概率分布。在某時刻，指導情緒狀態坐標為(0, 5, 0)，由表情分析得到的外界刺激狀態為悲傷，其坐標位于(?6, ?4, 0)。從而得到其認知情緒狀態遵循數學期望為，標準差為的高斯分布，如圖10所示。從圖10可以得到點(?4.5, ?1.75, 0)處的概率為函數的最大值。在處于相同認知情緒狀態，而機器人的當前情緒狀態不同時，其下一情緒狀態的轉移概率不同。圖11所示為認知情緒狀態位于(?4.5, ?1.75, 0)時，不同情緒狀態周圍的心理勢能分布。

圖10 認知情緒狀態的概率分布

圖11 相同認知情緒下機器人的心理能量分布

4 實驗及結果分析

表2所示為以悲傷為外界刺激，高興為指導認知情緒時，機器人的情緒調節過程。在外界刺激發生前，機器人處于平靜狀態。當悲傷的外界刺激發生時，若無認知重評與表達抑制模型，機器人的情緒表現為極度悲傷并大哭。然而，在積極的情緒指導與表達抑制的共同作用下，機器人的實際反應并不激烈，只是變現出淡淡的悲傷，這將在交互過程中起到適當的互動與情緒指引作用，并不會使交互陷入以參與者為主導的偏激循環中。隨著時間的遷移，機器人的情緒狀態將在強度衰減作用下慢慢恢復平靜。

表2 機器人的情緒調節過程

在交互過程中，設置5組交互模式對比實驗，如表3所示，以分別評估認知重評、表達抑制以及情緒衰減強度對交互效果的影響。在10 min情緒交互實驗后，30名參與者分別對每種交互模式進行打分(滿分為5分)，最終取30名參與者的平均分作為最終得分。從評估結果可知，無任何情緒模型的組1得分最低，而綜合融入認知重評、表達抑制、情緒強度衰減的組5最貼近用戶的需求。此外，從分數差可以看出：認知重評對改善參與者的體驗最為有效，表達抑制次之，情緒強度衰減貢獻最小。

表3 參與者的評估結果

5 結論

1) 以13自由度的機器人實驗平臺為基礎，將Gross認知重評策略引入到基于隱馬爾科夫的情緒交互模型中，建立起連續空間中的機器人情緒交互模型。在此情緒狀態空間中，首先，可以通過指導情緒的強度、自發性心理調節機制與當前機器人對外界情緒的開放度計算得到認知情緒的概率分布；其次，可以依據情緒自身屬性(情緒的效價)計算得到機器人的情緒隨時間的衰減規律；最后，可以通過與情緒的喚醒度息息相關的表達抑制作用來得到機器人外在情緒表現的動作幅度。從而，由心理能量驅動的機器人的情緒調節過程可以通過空間的三維坐標值得以量化。

2) 將認知重評、情緒強度衰減、表達抑制與HMM的不確定性情緒調節模型相結合，得到連續空間中個性化的機器人情緒交互模型，以此模仿人類的情緒交流過程。實驗證明，具備認知及情緒控制能力的機器人可以在交互過程中得到參與者更多的認可。

[1] VINCIARELLI A, MOHAMMADI G. A survey of personality computing[J]. IEEE Transactions on Affective Computing, 2014, 5(3): 273?291.

[2] WHITEHILL J, SERPELL Z, LIN Y C, et al. the faces of engagement: automatic recognition of student engagement from facial expressions[J]. IEEE Transactions on Affective Computing, 2014, 5(1): 86?98.

[3] WEN Wanhui, LIU Guangyuan, CHENG Nanpu, et al. Emotion recognition based on multi-variant correlation of physiological signals[J]. IEEE Transactions on Affective Computing, 2014, 5(2): 126?140.

[4] MEULEMAN B, SCHERER K R. Nonlinear appraisal modeling: an application of machine learning to the study of emotion production[J]. IEEE Transactions on Affective Computing, 2013, 4(4): 398?411.

[5] BROEKENS J, BOSSE T, MARSELLA S C. Challenges in computational modeling of affective processes[J]. IEEE Transactions on Affective Computing, 2013, 4(3): 242?245.

[6] LAZARUS R S. Relational meaning and discrete emotions. Appraisal processes in emotion: theory, methods, research[M]. Oxford: Oxford University Press, 2001: 37?67.

[7] EKMAN P. Lie catching and microexpressions[M]. Oxford: Oxford University Press, 2009: 118?133.

[8] AMERO D. Modeling motivations and emotions as a basis for intelligent behavior[C]// 1st International Symposium Autonomous Agents, New York: ACM, 1997: 148?155.

[9] GADANHO S. Reinforcement learning in autonomous robots: an empirical investigation of the role of emotions[D]. Edinburgh: University of Edinburgh, 1999: 35?47.

[10] VELáSQUEZ J. An emotion-based approach to robotics[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. NJ: IEEE, 1999: 235?240.

[11] MURPHY R, LISETTI C, TARDIF R, et al. Emotion based control of cooperating heterogeneous mobile robots[J]. IEEE Transactions on Robotics and Automation, 2002, 18(5): 744?757.

[12] MEHRABIAN A. Pleasure arousal dominance: a general framework for describing and measuring individual differences in temperament[J]. Current Psychology: Developmental, Learning, Personality, Social, 1996, 14(4): 2612?2621.

[13] WU Qi, SHEN Xunbing, FU Xiaolan. The machine knows what you are hiding: an automatic micro-expression recognition system[C]// Proceedings 4th International Conference on Affective Computing and Intelligent Interaction. Berlin: Springer-verlag, 2011: 152?162.

[14] LIU T, CHEN W, LIU C H, et al. Benefits and costs of uniqueness in multiple object tracking: the role of object complexity[J]. Vision Research, 2012, 66: 31?38.

[15] SCHERER K, EKAM P. Approaches to emotions[M]. Hillsdale: Lawrence Erlbaum Associates, 1984: 158?169.

[16] ORTONY A, CLORE G L, COLLINS A. The cognitive structure of emotions[M]. London: Cambridge University Press, 1988: 23?29.

[17] ZECCA M, ROCCELLA S, MIWA H. On the development of the emotion expression humanoid robot WE-4RII with RCH-1[C]// Proceedings of the 4th IEEE/RAS International Conference on Humanoid Robots. Tokyo, Japan, 2005: 235?252.

[18] BREAZEAL C. Function meets style: insights from emotion theory applied to HRI[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, 2004, 34(2): 187?194.

[19] GROSS J J. Emotion regulation: affective, cognitive, and social consequences[J]. Psychophysiology, 2002, 39(3): 281?291.

[20] GROSS J J. Emotion regulation in adulthood: timing is everything[J]. Current Directions in Psychological Science, 2001, 10(6): 214?219.

[21] LIU Xin, XIE Lun, YANG Wenxiang, et al. Dynamic regulation process of facial expression robot[J]. Journal of Control Theory and Applications, 2011, 28(7): 936?946.

[22] GROSS J J. The emerging field of emotion regulation: an integrative review[J]. Review of General Psychology, 1998, 2(3): 271?299.

Robot emotional interaction model in continuous space

XIE Lun, LIU Xin, HE Miao, WANG Zhiliang

(School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China)

A service robot’s continuous and controlled emotional regulation in active field state space was proposed based on field force theory in human-robot interaction. First, on the basis of Fechner-Weber law, emotional spontaneous and guidable cognitive reappraisal in Gross strategies were analyzed quantitatively. Second, emotional attenuation model associated with valence was set up by the emotion intensity third law, and energy space in active field was proposed for simulating the interaction between external stimulus and robot’s emotion. Finally, the stimulating emotional transfer algorithm based on Hidden Markov Model (HMM) was come up with to realize real-time dynamic control on 13 DOF service robot for uncertainty emotional regulation in interaction with atypical facial expressions. The anthropomorphic emotional regulation which operates in a continuous 3D emotional space enables a wide range of intermediary emotional states to be obtained. The results show that the robot with cognition and emotional control ability could serve more participants’ emotional needs in the human-robot interaction (HRI).

robot; human-robot interaction; cognitive reappraisal; emotional regulation; active field emotional space

10.11817/j.issn.1672-7207.2016.09.019

TP242.6

A

1672?7207(2016)09?3050?08

2015?05?26；

2015?09?24

國家自然科學基金資助項目(61672093，61432004)；國家科技支撐計劃項目(2014BAF08B04)；北京市自然科學基金資助項目(4164091)；中國博士后科學基金資助項目(2015M580048)；中央高校基本科研業務費專項資金資助項目(FRF-TP-15-034A1) (Projects(61672093, 61432004) supported by the National Natural Science Foundation of China; Project(2014BAF08B04) supported by the National Science and Technologies Pillar Program of China; Project(4164091) supported by Beijing Natural Science Foundation; Project(2015M580048) supported by National Science Foundation for Postdoctoral Scientists of China; Project(FRF-TP-15-034A1) supported by Fundamental Research Funds for the Central Universities)

解侖，博士，教授，博士生導師，從事機器人、人工智能、認知情感計算研究；E-mail: xielun@ustb.edu.cn

(編輯 趙俊)