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

Nos espaços lotados de nossas vidas diárias, de shoppings a palcos de shows, os robôs estão começando a se mover entre nós. Não apenas os observamos para ver se conseguem levantar uma caixa ou atravessar uma sala; nós os observamos para ver como eles se sentem. Os seres humanos são programados para ler emoções no movimento. Um ombro caído sugere tristeza, enquanto um passo saltitante implica alegria. Esta é uma linguagem corporal que entendemos sem palavras, uma habilidade que usamos constantemente ao interagir com outras pessoas. Mas, para um robô falar essa linguagem, ele deve fazer mais do que apenas realizar uma tarefa; ele deve realizar essa tarefa com um tom emocional específico. Até agora, ensinar uma máquina a fazer isso tem sido difícil. A maioria dos sistemas que criam movimentos emocionais para personagens digitais depende de atores humanos para fornecer um vídeo de referência ou um rótulo simples como "feliz". Esses métodos são rígidos. Um rótulo não pode ser ajustado para tornar um movimento ligeiramente mais animado ou ligeiramente menos tenso, e um vídeo de referência está preso no tempo, incapaz de mudar seu humor sobre a hora. Além disso, quando esses movimentos digitais são transferidos para um robô físico, o processo frequentemente distorce os próprios sentimentos que deveriam transmitir, perdendo as sutis mudanças de velocidade e postura que carregam a emoção.

Uma equipe de pesquisadores desenvolveu uma nova maneira de resolver este problema, criando um sistema que permite a um robô físico gerar movimento emocional em tempo real, com a capacidade de ajustar seu humor enquanto se move. Eles chamam seu framework de PAMoR. Em vez de depender de rótulos humanos ou vídeos pré-gravados, o sistema trata a emoção como um conjunto de quantidades físicas mensuráveis. Ele utiliza um modelo psicológico conhecido como plano valência-excitação (valence-arousal), que mapeia sentimentos em duas escalas simples. A primeira escala, valência, mede o quão positivo ou negativo é um sentimento, variando da tristeza à felicidade. A segunda escala, excitação (arousal), mede o quão ativo ou calmo é um sentimento, variando do tédio à excitação. Os pesquisadores descobriram que poderiam calcular esses dois números diretamente a partir dos próprios movimentos corporais do robô. Eles descobriram que um sentimento positivo e feliz corresponde a uma postura aberta e expandida, enquanto um sentimento negativo corresponde a uma postura contraída e dobrada. Da mesma forma, alta energia e velocidade indicam alta excitação, enquanto movimentos lentos e estáticos indicam baixa excitação. Ao transformar essas observações físicas em uma fórmula matemática, o sistema pode rotular cada movimento que vê com uma coordenada emocional precisa, sem precisar que um humano o assista e o escreva.

Os pesquisadores construíram um robô capaz de usar este sistema em uma máquina humanoide de 29 juntas chamada Unitree G1. O cérebro do robô é projetado para ouvir três instruções diferentes ao mesmo tempo. Uma instrução diz qual ação realizar, como andar ou socar. As outras duas instruções dizem como realizar essa ação, definindo os números de valência e excitação. Para fazer isso funcionar sem que as instruções se confundam umas com as outras, o sistema utiliza um método especial onde combina três modelos de aprendizado distintos. Um modelo aprende a ação, enquanto os outros dois aprendem como moldar essa ação com diferentes tons emocionais. A cada etapa da geração do movimento, esses modelos trabalham juntos para produzir um movimento que se ajuste ao comando. Isso permite que o robô mude seu humor enquanto se move. Um usuário pode dizer ao robô para andar e, então, enquanto ele está andando, mudar o comando de "calmo e neutro" para "animado e feliz", e o robô ajustará instantaneamente sua passada e postura para corresponder ao novo sentimento.

Os resultados deste trabalho mostram que o sistema funciona de forma notável. Quando os pesquisadores comandaram o robô a se mover com coordenadas emocionais específicas, os movimentos reais do robô corresponderam a esses comandos com alta precisão. O sistema pôde gerar uma gama completa de emoções, do angústia ao relaxamento, e a linguagem corporal do robô mudou suavemente através desse espectro. Para verificar se os humanos podiam realmente ler essas emoções, os pesquisadores conduziram um estudo onde pessoas assistiram a vídeos do robô realizando ações como acenar ou socar com diferentes tons emocionais. Os observadores foram solicitados a adivinhar qual emoção o robô estava expressando. O sistema teve sucesso em tornar as emoções pretendidas claras para os espectadores. Em quase 40 por cento dos testes, os espectadores identificaram corretamente a emoção específica que o robô tentava transmitir. Isso é uma melhoria significativa em relação aos métodos anteriores, que dependiam de prompts de texto ou referências de vídeo, e aproxima-se do nível de reconhecimento que as pessoas alcançam ao observar atores humanos realizando movimentos emocionais. O estudo também confirmou que os movimentos do robô pareciam naturais e humanos, em vez de mecânicos ou rígidos.

Esta abordagem representa uma mudança na forma como pensamos o movimento do robô. Em vez de tratar a emoção como uma camada separada adicionada sobre uma tarefa, os pesquisadores a fundamentaram na realidade física do corpo do robô. Ao medir a postura e a velocidade diretamente, eles criaram um sistema onde a emoção não é apenas um rótulo, mas um parâmetro controlável que pode ser ajustado com a mesma facilidade que o volume ou a velocidade. O sistema opera em tempo real, o que significa que o robô pode reagir ao seu ambiente e mudar sua expressão emocional instantaneamente. Embora os pesquisadores observem que o sistema atualmente depende de uma compreensão pré-programada de como a forma do corpo se relaciona com a emoção, e que trabalhos futuros precisarão abordar como o robô mantém essa expressão quando seu controlador físico comete pequenos erros, a base é sólida. Eles demonstraram que um robô pode gerar movimentos de corpo inteiro complexos e emocionais sobre a hora, e que os humanos podem ler essas emoções com uma precisão surpreendente. Isso nos aproxima de um futuro onde os robôs não serão apenas ferramentas funcionais, mas parceiros sociais capazes de se expressar na linguagem universal do corpo.