EMoG: Emotion-Modulated Gait Generation for Expressive Humanoid Locomotion

ロボットは長らく物理世界の達人であり、重い物体を持ち上げ、凹凸のある地形をナビゲートし、機械的な精密さで複雑なタスクを遂行してきました。しかし、人間との相互作用という繊細な技術となると、彼らはしばしば硬く、距離を感じさせるものになります。エンジニアたちは、ロボットが転ばずに歩くという困難な問題を解決してきましたが、そのロボットが「どのように」歩くかについては、ほとんど無視してきました。人間のコミュニケーションにおいて、身体の動き方は言葉と同じくらい雄弁に物語を伝えます。猫背で引きずるような足取りは悲しみを伝え、活気に満ちた弾むような歩調は喜びを知らせます。ロボットが真に人々とつながるためには、顔や声を変えるだけでなく、歩行のリズムや形状そのものを変えることで、これらの感情を表現する方法を学ばなければなりません。

研究チームは、ヒューマノイドロボットにこのスキルを教えるための「EMoG」と呼ばれる新しいシステムを開発しました。このフレームワークは、あらかじめ録画された固定の歩行リストをロボットにプログラミングするのではなく、特定の身体的指示と感情的なトーンを融合させ、独自の歩行スタイルを即座に生成することを可能にします。このシステムは、2種類の異なる入力を使用します。一つは、ロボットがどこへどのように進むべきかを指示する実用的なコマンドであり、もう一つは、動きの感情を規定する独立した「スタイルコード」です。小さく効率的なコンピュータプログラムが、これらの入力を組み合わせて、リアルタイムで全身の歩行パターンを作り出します。このパターンは静的な録画ではなく、ロボットの制御システムが従う動的な一連の指示であり、これにより機械は特定の気分を表現しながらも安定性を維持することができます。

ロボットに感情を持って歩く方法を教えるために、研究者たちはまず例となるライブラリを必要としました。彼らは、プロのパフォーマーが6つの異なる感情状態（幸福、自信、悲しみ、恐怖、内気、およびニュートラルな基準）を演じながら歩く様子を記録しました。俳優たちは様々な方向や速度で歩き、豊かなデータセットを提供しました。チームは、コンピュータプロセスを用いて、これらの人間の動きをロボットが理解できる形式に変換し、機械のバランスを崩す可能性のある動きを慎重に取り除きました。彼らは長いビデオシーケンスを繰り返しのステップのサイクルに分解し、データが物理的に可能な歩行パターンを表すようにしました。この自動化されたパイプラインにより、数千の個別のウォーキングクリップをカバーする200万フレームを超える膨大なモーションデータのコレクションが作成され、これがロボットの新しい能力の訓練場となりました。

システムの核となるのは、これらの感情的なスタイルと物理的なコマンドを混合することを学習するジェネレーターです。ユーザーが特定の速度で前方に歩かせたいとき、ユーザーは「幸せ」や「悲しい」といった感情と、その感情の強さ（インテンシティ）を指定することもできます。システムは、その感情に合わせてロボットの姿勢、歩幅、および関節の緊張度を調整します。例えば、幸せな歩行は、より直立した姿勢と大きな腕の振りを伴うことがあり、一方で悲しい歩行は、丸まった背中と小さく遅い動きを特徴とします。極めて重要な点は、研究者がロボットがナビゲーションコマンドを完璧に実行できることを保証したことです。ロボットが感情的なスタイルを変えても、ユーザーが要求した正確な速度と方向を維持したため、表現性が制御を犠牲にすることはないことが証明されました。

この相互作用をさらに自然にするために、チームは人々がロボットに直接話しかけることができる言語インターフェースを追加しました。大規模言語モデルを使用することで、システムは「少し落ち込んでいるんだ」といった文章を受け取り、それをロボットの歩行における正しい感情的なスタイルと強度へと自動的に翻訳できます。システムはテキストの感情を解釈し、適切な歩行スタイルを選択し、強度のレベルを設定します。これらは、人間が技術的な設定を手動で調整することなく行われます。テストにおいて、ロボットはこれらの自由な文章を明確な歩行行動へと正常に変換し、人間の言語が持つ感情的な重みを理解し、それを物理的な動きに反映できることを示しました。

研究者たちは、感情的な手がかりが実際に人間に認識されるかどうかを確認するために、システムを徹底的にテストしました。彼らは、さまざまな感情スタイルで歩くロボットのビデオをグループの人々に見せ、その気分を特定するよう求めました。結果として、感情的なスタイルの強度が上がるにつれて、人々は意図された感情をより正確に識別できることが示されました。例えば、ロボットが悲しみの強度高く歩いたとき、ほぼすべての観察者がそれを「悲しい」と正しく識別しました。しかし、この研究では、ある感情は他の感情よりも区別が難しいことも判明しました。例えば、「自信」や「内気」といった感情は、ニュートラルな歩行と混同されることがあり、これは特定の感情表現には、より微細な、あるいは誇張された物理的な手がかりが必要であることを示唆しています。

ロボットが実際のハードウェア上でこれらの歩行を行った際も、感情的なスタイルは認識可能な状態を保っていましたが、ビデオシミュレーション時よりはわずかに不明瞭でした。これは、機械の物理的な制限によって動きのニュアンスが抑えられてしまうことがあるという、ロボット工学における一般的な課題です。それにもかかわらず、ロボットは与えられたほぼすべての歩行タスクを完了し、複雑な感情を表現しながらも、バランスを維持し、経路に従うことができました。このシステムは、仕事を行う能力を犠牲にすることなく、歩行を通じてロボットにパーソナリティを与えることが可能であることを証明しました。感情的なスタイルを物理的なコマンドから分離することで、研究者たちは、ロボットに人間のような表現力を持たせ、機械的な機能と社会的つながりの間の溝を埋める柔軟なツールを作り出したのです。