PAMoR: Parameterized Affective Motion Generation in Real Time for Humanoid Robots

In den belebten Räumen unseres täglichen Lebens, von Einkaufszentren bis hin zu Konzertbühnen, beginnen Roboter, sich unter uns zu bewegen. Wir beobachten sie nicht nur, um zu sehen, ob sie eine Kiste heben oder einen Raum durchqueren können; wir beobachten sie, um zu sehen, wie sie sich fühlen. Menschen sind darauf programmiert, Emotionen in Bewegungen zu lesen. Eine hängende Schulter deutet auf Traurigkeit hin, während ein federnder Schritt Freude impliziert. Dies ist eine Körpersprache, die wir ohne Worte verstehen – eine Fähigkeit, die wir ständig bei der Interaktion mit anderen Menschen anwenden. Doch damit ein Roboter diese Sprache spricht, muss er mehr tun, als nur eine Aufgabe auszuführen; er muss diese Aufgabe mit einem spezifischen emotionalen Ton ausführen. Bis jetzt war es schwierig, einer Maschine beizubringen, dies zu tun. Die meisten Systeme, die emotionale Bewegungen für digitale Charaktere erzeugen, verlassen sich auf menschliche Schauspieler, die ein Referenzvideo oder ein einfaches Label wie „glücklich“ bereitstellen. Diese Methoden sind starr. Ein Label lässt sich nicht feinjustieren, um eine Bewegung etwas begeisterter oder etwas weniger angespannt zu machen, und ein Video-Referenzmaterial ist in der Zeit festgeschrieben und kann seine Stimmung nicht spontan ändern. Zudem führt die Übertragung dieser digitalen Bewegungen auf einen physischen Roboter oft dazu, dass genau die Gefühle verzerrt werden, die sie eigentlich vermitteln sollten, wobei die subtilen Veränderungen in Geschwindigkeit und Haltung, die die Emotion tragen, verloren gehen.

Ein Team von Forschern hat einen neuen Weg entwickelt, um dieses Problem zu lösen, indem sie ein System erschaffen haben, das es einem physischen Roboter ermöglicht, emotionale Bewegungen in Echtzeit zu generieren, mit der Fähigkeit, seine Stimmung während der Bewegung anzupassen. Sie nennen ihr Framework PAMoR. Anstatt sich auf menschliche Labels oder voraufgezeichnete Videos zu verlassen, behandelt das System Emotionen als einen Satz messbarer physikalischer Größen. Es nutzt ein psychologisches Modell, das als Valenz-Arousal-Ebene bekannt ist und Gefühle auf zwei einfachen Skalen abbildet. Die erste Skala, die Valenz, misst, wie positiv oder negativ ein Gefühl ist, reichend von Traurigkeit bis Glück. Die zweite Skala, das Arousal, misst, wie aktiv oder ruhig ein Gefühl ist, reichend von Langeweile bis Aufregung. Die Forscher entdeckten, dass sie diese beiden Zahlen direkt aus den eigenen Körperbewegungen des Roboters berechnen konnten. Sie fanden heraus, dass ein positives, glückliches Gefühl mit einer offenen, expandierten Körperhaltung korrespondiert, während ein negatives Gefühl mit einer kontrahierten, zusammengezogenen Haltung einhergeht. Ähnlich deuten hohe Energie und Geschwindigkeit auf ein hohes Arousal hin, während langsame, ruhige Bewegungen ein niedriges Arousal anzeigen. Durch die Umwandlung dieser physischen Beobachtungen in eine mathematische Formel kann das System jede von ihm gesehenen Bewegung mit einer präzisen emotionalen Koordinate kennzeichnen, ohne dass ein Mensch zusehen und sie aufschreiben muss.

Die Forscher bauten einen Roboter, der in der Lage ist, dieses System auf einer 29-gliedrigen humanoiden Maschine namens Unitree G1 anzuwenden. Das Gehirn des Roboters ist darauf ausgelegt, gleichzeitig drei verschiedenen Anweisungen zuzuhören. Eine Anweisung sagt ihm, welche Aktion er ausführen soll, wie etwa Gehen oder Boxen. Die anderen beiden Anweisungen sagen ihm, wie er diese Aktion ausführt, indem sie die Valenz- und Arousal-Werte festlegen. Um zu verhindern, dass sich die Anweisungen gegenseitig verwirren, nutzt das System eine spezielle Methode, bei der es drei separate Lernmodelle kombiniert. Ein Modell lernt die Aktion, während die anderen beiden lernen, wie sie diese Aktion mit unterschiedlichen emotionalen Tönen gestalten. Bei jedem Schritt der Bewegungserzeugung arbeiten diese Modelle zusammen, um eine Bewegung zu erzeugen, die dem Befehl entspricht. Dies ermöglicht es dem Roboter, seine Stimmung während der Bewegung zu ändern. Ein Benutzer kann dem Roboter sagen, er solle gehen, und während er geht, den Befehl von „ruhig und neutral“ zu „begeistert und glücklich“ ändern, und der Roboter wird seinen Schritt und seine Haltung sofort an das neue Gefühl anpassen.

Die Ergebnisse dieser Arbeit zeigen, dass das System bemerkenswert gut funktioniert. Als die Forscher den Roboter anwiesen, sich mit spezifischen emotionalen Koordinaten zu bewegen, entsprachen die tatsächlichen Bewegungen des Roboters diesen Befehlen mit hoher Präzision. Das System konnte ein volles Spektrum an Emotionen erzeugen, von verzweifelt bis entspannt, und die Körpersprache des Roboters verschob sich fließend über dieses Spektrum hinweg. Um zu prüfen, ob Menschen diese Emotionen tatsächlich lesen können, führten die Forscher eine Studie durch, bei der Menschen Videos des Roboters beobachteten, wie er verschiedene Aktionen wie Winken oder Boxen mit unterschiedlichen emotionalen Tönen ausführte. Die Beobachter wurden gebeten, zu raten, welche Emotion der Roboter auszudrücken versuchte. Das System war erfolgreich darin, die intendierten Emotionen für die Betrachter klar erkennbar zu machen. In fast 40 Prozent der Versuche identifizierten die Betrachter die spezifische Emotion, die der Roboter zu vermitteln versuchte, korrekt. Dies ist eine signifikante Verbesserung gegenüber bisherigen Methoden, die auf Text-Prompts oder Video-Referenzen basierten, und es nähert sich dem Niveau der Erkennung an, das Menschen erreichen, wenn sie menschliche Schauspieler bei emotionalen Bewegungen beobachten. Die Studie bestätigte zudem, dass die Bewegungen des Roboters natürlich und menschenähnlich wirkten, statt mechanisch oder steif zu sein.

Dieser Ansatz stellt eine Verschiebung in der Art und Weise dar, wie wir über Roboterbewegungen denken. Anstatt Emotionen als eine separate Ebene zu betrachten, die über eine Aufgabe gelegt wird, haben die Forscher sie in der physischen Realität des Roboterkörpers verankert. Durch die direkte Messung von Körperhaltung und Geschwindigkeit schufen sie ein System, in dem Emotionen nicht bloß ein Label sind, sondern ein steuerbarer Parameter, der mit der gleichen Leichtigkeit wie Lautstärke oder Geschwindigkeit angepasst werden kann. Das System arbeitet in Echtzeit, was bedeutet, dass der Roboter auf seine Umgebung reagieren und seinen emotionalen Ausdruck sofort ändern kann. Während die Forscher anmerken, dass das System derzeit auf einem vorprogrammierten Verständnis darüber basiert, wie die Körperform mit Emotionen zusammenhängt, und dass zukünftige Arbeiten adressieren müssen, wie der Roboter diesen Ausdruck beibehält, wenn sein physischer Controller kleine Fehler macht, ist das Fundament solide. Sie haben demonstriert, dass ein Roboter komplexe, emotionale Ganzkörperbewegungen „on the fly“ generieren kann und dass Menschen diese Emotionen mit überraschender Genauigkeit lesen können. Dies bringt uns näher an eine Zukunft, in der Roboter nicht nur funktionale Werkzeuge sind, sondern soziale Partner, die fähig sind, sich in der universellen Sprache des Körpers auszudrücken.