人形机器人视线转移人性化：自然视线转移框架

利用听觉和视觉反馈进行注意力重新定位是社交交互中实现自然视线转移的关键。然而，使人形机器人在不受约束的人机交互场景中执行自然且情境恰当的视线转移，仍面临挑战，因为这需要将认知注意力机制与仿生运动生成相耦合。本文提出了机器人视线转移（Robot Gaze-Shift，RGS）框架，将这两个组件集成到统一的管道中。首先，RGS采用基于视觉-语言模型（VLM）的视线推理管道，从多模态交互线索推断出符合人类视线定向规律的情境恰当视线目标。其次，RGS引入条件向量量化变分自编码器（Conditional VQ-VAE）模型，用于眼部-头部协调的视线转移运动生成，产生多样且符合人类特征的视线转移行为。实验验证了RGS有效地复制了人类的目标选择，并生成了逼真且多样的视线转移运动。