提升社交机器人在受控及自然环境下人机交互的视觉感知能力

社交机器人通常依赖视觉感知来理解用户和环境。计算机视觉领域数据驱动方法的最新进展表明，应用深度学习模型增强社交机器人的视觉感知具有巨大潜力。然而，与资源效率更高的浅层学习模型相比，深度学习方法的计算需求较高，这引发了关于其对现实世界交互和用户体验影响的重要问题。目前尚不清楚当社交机器人采用基于深度学习的视觉感知模型时，客观交互性能和主观用户体验将受到何种影响。我们采用了最先进的人类感知与跟踪模型来改进 Pepper 机器人的视觉感知功能，并开展了一项受控实验室研究和一项自然环境下的机器人交互研究，以评估该新型感知功能在场景中存在其他人的情况下跟随特定用户的表现。