面向情感机器人的持续学习：以福祉为例的概念验证

维持真实世界中的人机交互要求机器人对人类行为特异性敏感，并调整其感知与行为模型以满足这些个体偏好。对情感机器人而言，这意味着学习适应个体的情感行为，为每个人提供个性化的交互体验。持续学习（CL）已被证明能够使智能体实现实时适应，令其以增量获取的数据学习的同时保留过往知识。本工作中，我们提出一种新颖框架，将 CL 用于建模个性化人机交互，基于 CL 的情感感知机制实现真实世界应用。为评估所提框架，我们开展了一项有 20 名参与者与 Pepper 机器人交互的概念验证用户研究，采用三种交互行为变体：静态脚本式、无个性化的基于情感的适应、以及带持续个性化的基于情感的适应。结果清晰显示参与者偏好基于 CL 的持续个性化，机器人在拟人化、生动性与好感度评分上均有显著提升，且交互在温暖与舒适维度评分显著更高，因为机器人被评为了解参与者感受的能力显著更好。