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

人間は顔に注意を向けるようにできています。私たちが互いに話をするとき、単に言葉を聞いているだけではありません。目の動き、頭の向き、そして音に合わせて動く口の動きを観察しています。この絶え間ない、静かな視覚的合図のやり取りこそが、会話に生命力を吹き込むのです。何十年もの間、エンジニアたちは、私たちを見つめ、声に合わせて言葉を返すロボットを作り出し、このやり取りに参加できる機械を構築しようと試みてきました。しかし、最も説得力のあるこれらの機械の多くは、通常、高価な研究所や閉ざされた企業の扉の向こう側に閉じ込められており、数万ドルもの費用がかかり、他の人々が研究したり改良したりすることが困難な、複雑で独占的な技術を必要としてきました。これは、可能性の限界を押し広げるハイエンドの研究と、学生、教師、独立した発明家が学び、実験するために必要な手頃な価格のツールとの間に、溝を生み出しています。

インドのハイデラバードにあるムファッカム・ジャ・カレッジ・オブ・エンジニアリング・アンド・テクノロジーの研究チームは、この溝を埋めるべく立ち上がりました。彼らは、シンプルだが難しい問いを投げかけました。「安価で入手しやすい部品だけで、人間の相互作用をリアルタイムで模倣するロボットの顔を作れるだろうか？」という問いです。彼らの目標は、喜びや悲しみといった複雑な感情を表現できる機械を作ることではなく、人間が会話中に行う基本的なこと、つまり、話している人を見ること、自然にまばたきをすること、そして声に合わせて口を動かすことができる機械を作ることでした。小型で手頃なコンピューターにカメラといくつかのモーターを組み合わせることで、彼らは、洗練された相互作用には巨額の資金は必要ないということを証明するシステムを作り上げました。

彼らが構築した装置は、人間の頭ほどの大きさのロボットの頭部で、3Dプリントされたプラスチック部品で作られています。内部では、小さなコンピューサーボードが「脳」として機能し、カメラが「目」の役割を果たします。研究者たちは、このコンピューターに、部屋の中から人間の顔を常にスキャンするようにプログラムしました。顔を見つけると、ロボットはカメラの視野の中心に対してその人がどこに立っているかを計算します。ただぼんやりと見つめるのではなく、ロボットはこの情報を用いて、人の動きに合わせて目と頭を物理的に動かします。人が左に歩けば、ロボットの目は左を向き、人が後ろに下がれば、ロボットは視線を調整します。この追跡は継続的に行われ、機械が注意を払っているという錯覚を生み出します。

相互作用をより自然なものにするために、チームはロボットに話すことを可能にする人工知能の層を加えました。人がロボットに話しかけると、マイクが音を捉え、その音はテキストに変換するためにクラウドベースのサービスに送られます。言語モデルがそのテキストを処理して応答を生成し、それが再び音声へと変換されます。このプロセスにおいて最も困難だったのは、単に聞き取り、話すことではなく、音に合わせてロボットの口を動かすことでした。研究者たちは、ロボットの顎を音声出力に連動させることでこの問題を解決しました。ロボットが話すとき、小さなモーターがリズムに合わせて顎を開閉し、人間の自然な発音を模倣します。この同期は極めて重要です。これがないと、ロボットは静止した物体から声が聞こえてくるような状態になり、不自然で落ち着かない感覚を与えてしまうからです。

研究者たちは、異なる条件下でどの程度性能を発揮するかを確認するために、作成した装置を厳格にテストしました。その結果、照明条件が良い場合、顔の検出精度は約92パーセントに達することが分かりました。ロボットが顔を認識し、画像を処理し、目を動かすまでにかかる時間は、180ミリ秒から250ミリ秒の間と非常に高速でした。これを比較すると、この遅延は非常に短いため、人間の観察者にはロボットの反応がほぼ瞬時であると感じられ、不自然な間を置くことなく流暢な会話が可能になります。システムは、人が動いている間も安定しており、定義された範囲内で頭の動きを追跡し、ターゲットを見失うことはありませんでした。

しかし、この研究は低コストの部品を使用することの限界も浮き彫りにしました。研究者たちは、照明が暗い状況や、人が遠くにいる場合には、カメラが必要な詳細を捉えるのが難しくなるため、性能が著しく低下することを指摘しました。また、目の動きや顎の動きに使用されている小さなモーターなどの機械部品が、わずかな遅延を生じさせ、ハイエンドの研究用ロボットに見られる高価なモーターほど滑らかには動けないことも観察されました。さらに、システムは音声処理と回答生成のためにインターネットに依存しているため、ネットワーク接続の遅延が発生すると、ロボットの応答速度が低下します。これらの要因は、制御された環境下ではうまく機能するものの、まだ賑やかな公共空間のような予測不可能な混沌とした場所には適していないことを意味しています。

こうした限界はあるものの、このプロジェクトはロボティクスを身近なものにするための重要な一歩を表しています。チームは、追跡、まばたき、同期した音声といった不可欠な動作に焦点を当てることで、数万ドルの予算を必要とせずに、驚くほど人間らしく感じられる機械を作れることを実証しました。設計全体、コード、および3Dプリントの指示書は、一般に公開されています。この開放性は、他の研究者や学生がこの成果の上に新たなアイデアを構築し、テストし、そしていつの日か、私たちを見つめるだけでなく、真に理解してくれるロボットを生み出すことを促しています。この取り組みは、人間とロボットの相互作用の未来が、富裕層やエリートだけのものではなく、カメラとコンピューター、そしていくつかのモーターを持つ誰もが築き上げることができるものであることを示唆しています。