Alors que les robots se frayent un chemin dans divers environnements et commencent à interagir régulièrement avec les humains, ils doivent être en mesure de communiquer avec les utilisateurs aussi efficacement que possible. Au cours de la dernière décennie, des chercheurs du monde entier ont ainsi développé des modèles basés sur l'apprentissage automatique et d'autres techniques de calcul qui pourraient améliorer les communications homme-robot.

Une façon d'améliorer la façon dont les robots communiquent avec les utilisateurs humains est de les entraîner à exprimer des émotions de base, comme la tristesse, joie, peur et colère. La capacité d'exprimer des émotions permettrait à terme aux robots de transmettre des messages plus efficacement, de manière adaptée à une situation donnée.

Des chercheurs de l'Université de Hambourg en Allemagne ont récemment développé une méthode basée sur l'apprentissage automatique pour enseigner aux robots comment transmettre ce qui était auparavant défini comme les sept émotions universelles, à savoir la colère, dégoûter, peur, joie, tristesse, surprise et un état neutre. Dans leur papier, prépublié sur arXiv, ils ont appliqué et testé leur technique sur un robot humanoïde appelé iCub.

La nouvelle approche proposée par les chercheurs s'inspire d'un cadre précédemment développé appelé TAMER. TAMER est un algorithme qui peut être utilisé pour entraîner des perceptrons multicouches (MLP), une classe de réseaux de neurones artificiels (ANN).

Dans la récente étude, le cadre TAMER a été adapté pour entraîner un modèle basé sur l'apprentissage automatique afin de transmettre différentes émotions humaines en produisant différentes expressions faciales dans le robot iCub. iCub est une plateforme robotique open source développée par une équipe de recherche de l'Institut italien de technologie (IIT) dans le cadre du projet européen RobotCub, qui est souvent utilisé dans la recherche en robotique pour évaluer les algorithmes d'apprentissage automatique.

"Le robot utilise une combinaison d'un réseau de neurones convolutifs (CNN) et d'une carte auto-organisée (SOM) pour reconnaître une émotion, puis apprend à l'exprimer à l'aide d'un MLP, ", ont écrit les chercheurs dans leur article. "Notre objectif était d'apprendre à un robot à répondre de manière adéquate à la perception des émotions d'un utilisateur et à apprendre à exprimer différentes émotions."

Le CNN utilisé par les chercheurs analyse les images des expressions faciales d'un utilisateur humain, capturé par le robot iCub. Les représentations des traits du visage produites par cette analyse sont ensuite transmises à un SOM, qui dévoile des modèles particuliers dans la façon dont l'utilisateur a exprimé une émotion particulière.

Ensuite, ces modèles sont modélisés et utilisés pour entraîner un MLP à prédire comment les traits du visage d'iCub peuvent être adaptés pour imiter au mieux les expressions faciales de l'utilisateur. L'utilisateur humain récompense ensuite le robot en fonction de la précision avec laquelle il a exprimé une émotion donnée.

"Une fois que l'iCub fonctionne et agit, l'utilisateur est censé le récompenser, lui donnant ainsi une valeur cible à atteindre, " les chercheurs ont expliqué dans leur article. " Cela se fait en demandant à l'utilisateur d'imiter le robot, en lui donnant des informations sur la différence entre l'action effectuée et l'action prévue."

Heures supplémentaires, sur la base des récompenses qu'il reçoit des utilisateurs humains, le cadre conçu par les chercheurs devrait apprendre à exprimer chacune des sept émotions universelles. Jusque là, la technique a été évaluée dans une série d'expériences préliminaires utilisant la plate-forme robotique iCub, obtenir des résultats assez prometteurs.

« Bien que les résultats aient été prometteurs et que cela ait considérablement réduit le temps nécessaire à la formation, notre méthode nécessitait encore plus de 100 interactions par utilisateur pour apprendre des expressions significatives, ", ont déclaré les chercheurs. "Ce nombre devrait diminuer avec l'amélioration des méthodologies de formation et la collecte de plus de données pour la formation."

© 2020 Réseau Science X