Design and Development of a Low-Cost AI-Based Robotic Face for Real-Time Visual Tracking and Voice Interaction

Menschen sind darauf programmiert, auf Gesichter zu achten. Wenn wir miteinander sprechen, hören wir nicht nur auf die Worte; wir beobachten, wie Augen wandern, Köpfe sich drehen und Münder sich im Einklang mit dem Klang bewegen. Dieser ständige, stille Austausch visueller Hinweise ist das, was ein Gespräch lebendig fühlen lässt. Jahrzehntelang haben Ingenieure versucht, Maschinen zu bauen, die an diesem Austausch teilnehmen können, indem sie Roboter erschaffen, die uns ansehen und zu uns zurücksprechen. Die überzeugendsten Beispiele dieser Maschinen waren jedoch meist in teuren Laboratorien oder hinter verschlossenen Firmentüren eingeschlossen, kosteten zehntausende Dollar und erforderten komplexe, proprietäre Technologien, die für andere schwierig zu untersuchen oder zu verbessern sind. Dies schafft eine Lücke zwischen der High-End-Forschung, die die Grenzen des Möglichen verschiebt, und den erschwinglichen Werkzeugen, die Studenten, Lehrer und unabhängige Erfinder zum Lernen und Experimentieren benötigen.

Ein Team von Forschern am Muffakham Jah College of Engineering and Technology in Hyderabad, Indien, setzte sich zum Ziel, diese Lücke zu schließen. Sie stellten eine einfache, aber schwierige Frage: Könnten sie ein Robotergesicht bauen, das die menschliche Interaktion in Echtzeit imitiert, und zwar nur mit kostengünstigen, zugänglichen Teilen? Ihr Ziel war es nicht, eine Maschine zu schaffen, die komplexe Emotionen wie Freude oder Traurigkeit ausdrücken kann, sondern eine, die die grundlegenden Dinge tun kann, die Menschen während eines Gesprächs tun: der sprechenden Person zusehen, natürlich blinzeln und den Mund synchron zur Stimme bewegen. Durch die Kombination eines kleinen, erschwinglichen Computers mit einer Kamera und einigen wenigen Motoren schufen sie ein System, das beweist, dass anspruchsvolle Interaktion kein Vermögen erfordert.

Das von ihnen gebaute Gerät ist ein Roboterkopf, etwa so groß wie ein menschlicher Kopf, der aus 3D-gedruckten Kunststoffteilen konstruiert wurde. Im Inneren fungiert ein kleiner Computerboard als Gehirn, während eine Kamera als seine Augen dient. Die Forscher programmierten diesen Computer so, dass er ständig den Raum nach einem menschlichen Gesicht scannt. Wenn er eine Person entdeckt, berechnet er, wo diese Person relativ zur Mitte des Kamerabildes steht. Anstatt nur leer zu starren, nutzt der Roboter diese Information, um seine Augen und seinen Kopf physisch zu drehen, um der Bewegung der Person zu folgen. Wenn eine Person nach links geht, dreht der Roboter seine Augen nach links; wenn sie einen Schritt zurücktritt, passt der Roboter seinen Blick an. Dieses Tracking erfolgt kontinuierlich und erzeugt die Illusion, dass die Maschine aufmerksam ist.

Um die Interaktion natürlicher wirken zu lassen, fügte das Team eine Ebene künstlicher Intelligenz hinzu, die es dem Roboter ermöglicht zu sprechen. Wenn eine Person mit dem Roboter spricht, erfasst ein Mikrofon den Schall, der dann an einen Cloud-basierten Dienst gesendet wird, um in Text umgewandelt zu werden. Ein Sprachmodell verarbeitet diesen Text, um eine Antwort zu generieren, die dann wieder in Sprache umgewandelt wird. Der schwierigste Teil dieses Prozesses war nicht nur das Hören und Sprechen, sondern den Mund des Roboters so zu bewegen, dass er zum Klang passt. Die Forscher lösten dies, indem sie den Kiefer des Roboters mit der Audioausgabe koppelten. Während der Roboter spricht, öffnet und schließt ein kleiner Motor den Kiefer in einem rhythmischen Muster, das die natürliche Artikulation der menschlichen Sprache nachahmt. Diese Synchronisation ist entscheidend; ohne sie würde der Roboter wie eine Stimme klingen, die aus einem statischen Objekt kommt, was unnatürlich und beunruhigend auf menschliche Beobachter wirkt.

Die Forscher testeten ihre Kreation streng, um zu sehen, wie gut sie unter verschiedenen Bedingungen abschneidet. Sie fanden heraus, dass das System ein Gesicht mit einer Genauigkeit von etwa 92 Prozent erkennen konnte, wenn die Lichtverhältnisse gut waren. Die Zeit, die der Roboter benötigte, um ein Gesicht zu sehen, das Bild zu verarbeiten und die Augen zu bewegen, war bemerkenswert schnell und lag zwischen 180 und 250 Millisekunden. Um dies in Perspektive zu setzen: Diese Verzögerung ist so kurz, dass ein menschlicher Beobachter die Reaktion des Roboters als nahezu instantan wahrnehmen würde, was eine flüssige Konversation ohne peinliche Pausen ermöglicht. Das System blieb stabil, selbst als die Person sich bewegte, und verfolgte Kopfbewegungen innerhalb eines definierten Bereichs, ohne das Ziel zu verlieren.

Die Studie hob jedoch auch die Grenzen der Verwendung kostengünstiger Komponenten hervor. Die Forscher stellten fest, dass die Leistung des Roboters unter schlechten Lichtverhältnissen oder wenn die Person weit entfernt war, signifikant abfiel, da die Kamera Schwierigkeiten hatte, die notwendigen Details zu erfassen. Sie beobachteten auch, dass die mechanischen Teile, insbesondere die kleinen Motoren, die die Augen und den Kiefer bewegen, eine leichte Verzögerung verursachten und sich nicht so geschmeidig bewegen konnten wie die teuren Motoren, die in High-End-Forschungsrobotern zu finden sind. Zudem gilt: Da das System auf das Internet angewiesen ist, um Sprache zu verarbeiten und Antworten zu generieren, würde jede Verzögerung in der Netzwerkverbindung die Fähigkeit des Roboters, zu reagieren, verlangsamen. Diese Faktoren bedeuten, dass der Roboter zwar in einer kontrollierten Umgebung gut funktioniert, aber noch nicht bereit für das unvorhersehbare Chaos eines belebten öffentlichen Raums ist.

Trotz dieser Einschränkungen stellt das Projekt einen bedeutenden Schritt in Richtung der Zugänglichkeit der Robotik dar. Das Team demonstrierte, dass man durch die Konzentration auf wesentliche Verhaltensweisen – Tracking, Blinzeln und synchronisierte Sprache – eine Maschine erschaffen kann, die sich überraschend menschlich anfühlt, ohne ein Budget von zehntausenden Dollar zu benötigen. Das gesamte Design, einschließlich des Codes und der 3D-Druckanweisungen, wurde der Öffentlichkeit zugänglich gemacht. Diese Offenheit lädt andere Forscher und Studenten dazu ein, auf der Arbeit aufzubauen, neue Ideen zu testen und vielleicht eines Tages Roboter zu erschaffen, die nicht nur in der Lage sind, uns anzusehen, sondern uns wirklich zu verstehen. Die Arbeit legt nahe, dass die Zukunft der Mensch-Roboter-Interaktion nicht nur den Wohlhabenden oder der Elite gehört, sondern von jedem gebaut werden kann, der eine Kamera, einen Computer und ein paar Motoren besitzt.