To enhance quality of human-robot interaction, which can be described by factors including naturalness, intuitiveness, joyful, plausibility and so on, human-like robot expression ability is considered as one of key issues. Among expression channels like facial expression, voice and so on, I focused on robot’s gesture generation in this study. By doing so, I expect that such ability in robots will improve the quality of human-robot interaction similar to the manner in which human gestures improve human-human interaction.
Unlike human can generate appropriate gestures easily and unconsciously, there are many difficulties to make robot gestures because of its many DOFs(Degree of Freedom) and there are numerous kinds of gestures so that programmers cannot program every gesture for a robot one by one. For example, in case of generating greeting gestures, there are so many kinds of greeting including waving hands, just raising and showing palm, and bowing. Also, which hand to be used(left hand only, right hand only, both hands) and how many times should a robot wave(no repeating, 1, 2, 3, …) are also one of factors should be decided. Generating these greeting gestures one by one is highly labor-intensive. To solve this problem, I studied the method that can generate various types of greeting gesture without predefining.
For this purpose, I first applied Symbolic Primitive Motions(SPM) in previous works to the humanoid robot platform DARwIn-OP. SPMs are defined by referring Labanotation, the notation system for human’s body movements. By sequencing SPMs, human’s body movements can be described and robot’s gesture can be generated. After that, I developed a model that can recognize a sequence of SPMs from human’s greeting gestures. Since SPMs are defined qualitatively, it should be represented in quantitative way so that the model could recognize them. To do so, I extracted some clusters using inflection points in human’s greeting gestures and expressed SPMs as transitions between these clusters. Thirdly, the generation system learned transition probability so that it can generate various greeting gestures based on intimacy. Effects of proposed system were evaluated by survey. Proposed system has higher score in monotony criteria compared with previous works and comparison between gesture models with high intimacy and low intimacy can show the difference in likeability and intimacy criteria.
자연스러움, 직관성, 즐거움, 타당성 등의 요소들로 설명될 수 있는 인간로봇 상호작용의 질을 높이기위해, 사람과 유사한 로봇의 표현 능력이 중요한 이슈 중 하나로 간주되고 있다. 얼굴 표정, 음성 등과 같은 표현 채널 중, 본 논문은 로봇의 제스처 생성에 초점을 맞추었다. 로봇의 제스처 생성 기술을 통해, 사람과 사람 사이의 상호작용에서 제스처가 가지는 역할과 같이 인간 로봇 상호작용의 질을 높일 것이라 기대한다.
하지만, 사람들은 적합한 제스처들을 쉽고 무의식적으로 생성할 수 있는 반면, 로봇의 경우에는 많은 자유도로 인한 복잡성과 수 많은 종류의 제스처를 일일이 작성하기에는 많은 노동량이 필요하다는 문제 등 많은 어려움이 있다. 예를 들어, 인사 제스처를 생성하는 경우에도 손을 흔든다던지, 손을 들어 손바닥만 보여준다던지, 고개를 숙인다던지 하는 다양한 종류의 인사 제스처가 존재한다. 또한, 어떠한 손(왼손, 오른손, 혹은 양손)을 흔들 것이며, 얼마나 많은 횟수를 흔들 것인지 또한 제스처 생성에 있어 결정되어야할 요소이다. 이러한 제스처를 일일이 작성하는 것은 많은 노동력을 필요하며, 이러한 문제를 해결하기 위해 본 논문에서는 다양한 종류의 인사 제스처를 생성하는 방법에 대해 연구하였다.
위의 목적을 위해, 먼저 휴머노이드로봇 DARwIn-OP에 적합한 SPM(Symbolic Primitive Motions)을 정의하였다. SPM은 사람의 움직임을 기록 및 표현하는 Labanotation 이론에 기반하여 정의되었으며 이러한 SPM의 시퀀스를 이용하여 사람의 움직임을 표현하고 로봇의 제스처를 생성할 수 있다. 또한, 사람의 인사 제스처로부터 로봇이 학습을 하기 위해 사람의 인사제스처에서 나타나는 SPM의 시퀀스를 인식할 수 있는 시스템을 개발하였다. 개발된 시스템은 SPM을 사람 주의의 공간과 공간 사이의 transition으로 보고 인사 제스처에서 손이 위치하는 공간들을 찾아냄으로써 개발되었다. 마지막으로, 로봇의 제스처 생성을 위해 사람의 인사 제스처 데이터로부터 인사 제스처 시퀀스의 상태 전이 확률(State Transition Probability)를 동적 베이지안 네트워크(Dynamic Bayesian Network)를 활용하여 학습하였으며 이를 통해 인사 제스처의 시퀀스를 재생성하였다. 이 때, 친밀도가 높은 경우와 낮은 경우의 인사 데이터를 각각 학습시켜 로봇이 친밀도에따라 인사 제스처의 시퀀스를 달리 할 수 있도록 모델링하였다. 제안한 시스템은 기존의 항상 같은 인사 제스처를 생성하는 시스템에 비해 다양성 면에서 더 높은 점수를 받았으며, 친밀도가 낮은 모델과 높은 모델 사이의 비교에서도 사용자가 두 모델 간의 차이를 느낄 수 있었다.
