KR20110002757A - 감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법 - Google Patents

감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법 Download PDF

Info

Publication number
KR20110002757A
KR20110002757A KR1020090060401A KR20090060401A KR20110002757A KR 20110002757 A KR20110002757 A KR 20110002757A KR 1020090060401 A KR1020090060401 A KR 1020090060401A KR 20090060401 A KR20090060401 A KR 20090060401A KR 20110002757 A KR20110002757 A KR 20110002757A
Authority
KR
South Korea
Prior art keywords
information
propensity
emotion
generated
response
Prior art date
Application number
KR1020090060401A
Other languages
English (en)
Inventor
정현룡
황 챈밍
Original Assignee
삼성전자주식회사
조지아 테크 리서치 코오포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사, 조지아 테크 리서치 코오포레이션 filed Critical 삼성전자주식회사
Priority to KR1020090060401A priority Critical patent/KR20110002757A/ko
Priority to US12/824,446 priority patent/US8494982B2/en
Priority to JP2010151724A priority patent/JP2011020258A/ja
Publication of KR20110002757A publication Critical patent/KR20110002757A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

감성 모델의 성향을 적응적으로 변화시키는 장치 및 방법이 개시된다. 본 발명의 일 양상에 따른 감성 모델 장치는 성향 정보(personality)를 가지고 있다. 그리고 이 성향 정보에 기초하여 감정(emotion)을 생성하고 생성된 감정에 따라 특정한 행동(behavior)을 취하는 것이 가능하다. 본 발명의 일 양상에 따라, 성향 정보는 행동에 대한 사용자 응답에 따라 적응적으로 변화된다. 따라서 사용자와의 상호작용에 따라 감성 모델이 능동적인 반응을 하는 것이 가능하다.
감성 모델(emotion model), 성향(personality), 감정(emotion), 행동(behavior), 의존 정보(dependency)

Description

감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법{Emotion model device, apparatus and method for adaptive learning personality of emotion model}
로봇, 가상 캐릭터 등에 적용되는 감정 요소(affective component)와 관련된다.
최근 사람과 유사하게 행동하는 감성 로봇에 대한 관심이 집중되고 있다. 이러한 감성 로봇은 사람과 동일하지는 않지만 외부 자극에 대해 감정을 느끼고 그 감정에 따라 행동을 하는 것이 가능하다. 이를 위해 이러한 감성 로봇에는 감정 요소(affective component)가 구비되는 것이 일반적이다.
감정 요소는 고정적이고 변하지 않는 Personality와 외부 자극에 따라 변하는 Emotion등으로 이루어진다. 예를 들어, Emotion은 Personality를 바탕으로 Sensor Input과 Perceptual Feature들에 의해서 변경되는 것이 가능하다.
사람의 경우 삶을 살아 가면서, 교육을 통해서, 또는 주위 환경에 의해서 Personality가 변경된다. 즉, 학습이 이루어지게 된다. 그래서 다른 사람과의 Interaction을 더욱 원활히 하고, 또한 주위 환경에 더욱 잘 적응 할 수 있게 되는 것이다.
그러나 감성 로봇 등에 적용되는 감정 요소는 고정적이고 변하지 않는 Personality를 쓰기 때문에 감성 로봇이 아무리 인간과 유사하게 행동한다고 하더라도 실제 환경에서는 부자연스럽고 단순한 반응을 하게 된다.
본 명세서에서는, 사용자 응답에 기초하여 적응적으로 성향(personality)이 변화되는 감성 모델 장치, 및 감성 모델의 성향을 적응적으로 학습시키는 장치 및 방법이 개시된다.
본 발명의 일 양상에 따른 감성 모델 장치는, 성향 정보를 저장하며 성향 정보에 따라 감정 정보를 생성하는 감정 생성부, 생성된 감정 정보에 기초하여 동작을 결정하는 동작 정보를 선택하는 동작 선택부, 선택된 동작 정보에 의해 결정된 동작에 대응되는 사용자 응답을 수신하는 사용자 응답 수신부, 및 수신된 사용자 응답을 이용하여 성향 정보에 대한 학습 파라미터를 생성하고, 생성된 학습 파라미터를 이용하여 성향 정보를 갱신하는 성향 갱신부를 포함할 수 있다.
본 발명의 일 양상에 따른 감성 모델의 성향 학습 장치는, 성향 정보에 따라 생성된 감정 정보 및 감정 정보에 기초하여 선택된 동작 정보에 대응되는 사용자 응답을 저장하는 제 1 메모리부, 생성된 감정 정보와 성향 정보 간의 의존 관계로 정의되는 의존 정보를 저장하는 제 2 메모리부, 및 생성된 감정 정보 및 의존 정보를 이용하여 갱신 대상이 되는 성향 정보를 선택하고, 사용자 응답을 이용하여 선택된 성향 정보에 대한 학습 파라미터를 생성하고, 생성된 학습 파라미터를 이용하여 선택된 성향 정보를 갱신하는 학습 제어부를 포함할 수 있다.
본 발명의 일 양상에 따라, 사용자 응답은 강도를 갖는 양성 응답 및 음성 응답으로 분류되는 것이 가능하다. 또한, 성향 정보는 성향의 특성 및 특성 별 성향의 강도로 구성되는 것이 가능하며, 학습 파라미터는 특성 별 성향의 강도를 조절하는 이득으로 정의되는 것이 가능하다.
한편, 본 발명의 일 양상에 따른 감성 모델의 성향 학습 방법은, 외부 자극에 대해 성향 정보에 따라 감정 정보를 생성하는 단계, 성향 정보와 생성된 감정 정보 간의 의존 관계로 정의되는 의존 정보 및 생성된 감정 정보를 제공하는 단계, 생성된 감정 정보에 기초하여, 동작을 결정하는 동작 정보를 선택하는 단계, 선택된 동작 정보에 의해 결정된 동작에 대응되는 사용자 응답을 수신하는 단계, 및 생성된 감정 정보 및 의존 정보를 이용하여 갱신 대상이 되는 성향 정보를 선택하고, 수신된 사용자 응답을 이용하여 선택된 성향 정보에 대한 학습 파라미터를 생성하고, 생성된 학습 파라미터를 이용하여 선택된 성향 정보를 갱신하는 단계를 포함할 수 있다.
또한, 본 발명의 다른 양상에 따른 감성 모델의 성향 학습 방법은, 생성된 감정 정보, 및 성향 정보와 생성된 감정 정보 간의 의존 관계로 정의되는 의존 정보를 이용하여 갱신 대상이 되는 성향 정보의 성향 특성을 선택하는 단계, 생성된 감정 정보에 따라 선택된 동작에 대응되는 사용자 응답을 이용하여 상기 선택된 성향 특성에 대한 학습 파라미터를 생성하는 단계, 및 생성된 학습 파라미터를 이용하여 선택된 성향 특성의 강도를 갱신하는 단계를 포함할 수 있다.
개시된 내용에 의하면, 사용자와의 상호 작용을 통해서 감정 요소의 성향이 적응적으로 변화되기 때문에 사용자 성향에 따라 시스템이 반응하도록 하는 것이 가능하다.
이하, 첨부된 도면을 참조하여 본 발명의 실시를 위한 구체적인 예를 상세히 설명한다.
도 1은 본 발명의 일 실시 예에 따른 감성 모델 장치의 구성을 도시한다.
도 1을 참조하면, 본 실시 예에 따른 감성 모델 장치(100)는 외부의 자극에 따라 특정한 감정을 느끼고 그 감정에 따라 특정한 표정, 행동 또는 동작을 수행하는 시스템이 될 수 있다. 예를 들어, 감성 모델 장치(100)는 외부 자극에 반응하는 휴머노이드, 애완용 동물 로봇, 3차원 가상 캐릭터를 표시하는 각종 단말 등이 될 수 있다.
도 1에서, 감성 모델 장치(100)는 감정 생성부(101), 동작 선택부(102), 사용자 응답 수신부(103), 및 성향 갱신부(104)를 포함할 수 있다.
감정 생성부(101)는 성향 정보(personality information)를 저장하며, 외부 자극에 대해 성향 정보에 기초하여 감정 정보(emotion information)를 생성한다. 여기서 외부 자극은 각종 센서, 카메라 등으로부터 취득된 외부 환경의 인식 결과가 될 수 있다.
예컨대, 감성 모델 장치(100)가 애완용 동물 로봇이고 사용자가 애완용 동물 로봇을 쓰다듬는 경우, 감정 생성부(101)는 사용자의 손길에 따라 행복감을 나타내는 감정 파라미터(emotion parameter)를 생성하는 것이 가능하다. 본 실시 예에서, 감정 정보란 특정한 감정 상태를 나타내는 감정 파라미터가 될 수 있다.
생성되는 감정 정보는 저장된 성향 정보에 의존할 수 있다. 우리는 성향(personality)에 따라 감정 표현의 정도가 다르다는 것을 경험적으로 알고 있다. 예컨대, 내성적인 사람과 외향적인 사람에게 동일한 양의 스트레스(stress)를 주는 경우, 외향적인 사람이 스트레스에 대한 거부 표현이 더 강력할 수 있다.
본 실시 예에 따른 감성 모델 장치(100)는 이러한 성향 정보를 가지고 있으며, 성향 정보는 감정 생성부(101)에 저장되어 있을 수 있다. 따라서, 동일한 애완용 동물 로봇이라도 감정 생성부(101)에 저장되어 있는 성향 정보가 다르면, 같은 자극에 대해 다른 감정 정보가 생성되는 것이 가능하다.
본 실시 예에서, 이러한 성향 정보와 감정 정보 간의 의존 관계를 의존 정보(dependency information)라고 지칭하는 것이 가능하다. 즉, 의존 정보란 성향 정보를 기초로 어떠한 감정 정보를 생성할 때 사용되는 논리 흐름 또는 제약 규정 등이 될 수 있다.
동작 선택부(102)는 생성된 감정 정보에 따라 특정한 동작 정보(motion information)을 선택하고, 선택된 동작 정보에 따라 감성 모델 장치(100)가 동작하도록 한다. 동작 정보는 감성 모델 장치(100)가 취할 수 있는 행동 패턴을 결정하는 동작 파라미터가 될 수 있다. 즉, 본 실시 예에서, 감성 모델 장치(100)의 특정한 행동은 동작 정보에 의해 결정되고, 동작 정보는 감정 정보에 따라 선택되며, 감정 정보는 성향 정보와 의존 관계에 있음을 알 수 있다.
사용자 응답 수신부(103)는 선택된 동작 정보에 따른 특정한 동작에 대응되 는 사용자 응답을 수신한다. 예컨대, 애완용 동물 로봇이 꼬리치며 짖도록 동작 정보가 선택되는 경우, 사용자는 잘했다고 칭찬을 해주거나 시끄럽다고 벌을 줄 수가 있다. 이 때, 사용자의 칭찬 또는 벌 등이 사용자 응답이 될 수 있으며, 이 사용자 응답은 특정한 강도를 갖는 양성 응답 또는 음성 응답으로 분류될 수 있다.
성향 갱신부(104)는 감정 생성부(101)로부터 성향 정보와 감정 정보 간의 의존 정보를 수신하고, 동작 선택부(102)로부터 선택된 동작 정보 및 선택된 동작 정보를 유발한 감정 정보를 수신하고, 사용자 응답 수신부(103)로부터 사용자 응답을 수신한다. 선택적으로, 감정 정보는 감정 생성부(101)로부터 제공받을 수도 있다.
성향 갱신부(104)는 수신된 감정 정보와 의존 정보에 기초하여 갱신 대상이 되는 성향 정보를 특정하는 것이 가능하다. 그리고 수신된 사용자 응답을 이용하여 특정된 성향 정보에 대한 학습 파라미터를 계산하고, 계산된 학습 파라미터를 이용하여 특정된 성향 정보를 갱신하는 것이 가능하다.
본 실시 예에서, 성향 정보는 외향성(Extroversion), 개방성(Openness), 성실성(Conscientiousness), 친화성(Agreeableness), 신경증(Neuroticism) 등의 성향 특성과 각각의 성향 특성에 대한 강도로 구성될 수 있다. 예컨대, 성향 갱신부(104)는 수신된 감정 정보와 의존 정보를 이용하여 성향 정보를 구성하는 성향 특성들을 선택하는 것이 가능하고, 계산된 학습 파라미터를 이용하여 선택된 성향 특성들의 강도를 조절하는 것이 가능하다. 이 때, 학습 파라미터는 성향 특성에 대한 강도를 조절하는 이득(gain)으로 정의 될 수 있다. 학습 제어부학습 제어부
도 2는 본 발명의 일 실시 예에 따른 감성 모델 장치의 동작을 설명한다.
도 2를 참조하면, 본 실시 예에 따른 감성 모델 장치는 성향 정보(201)를 가지고 있다. 성향 정보(201)는 외향성(Extroversion), 개방성(Openness), 성실성(Conscientiousness), 친화성(Agreeableness), 신경증(Neuroticism) 등의 성향 특성과 각각의 성향 특성에 대한 특성 강도로 구분될 수 있다. 성향 정보(201)는 감정 생성부(101)에 저장되어 있을 수 있다.
본 실시 예에서, 감성 모델 장치는 애완용 로봇 강아지라고 가정한다.
애완용 로봇 강아지에 구비된 감정 생성부(101)는 외부로부터 어떤 자극이 수신되면 수신된 자극 및 성향 정보(201)를 기초로 감정 정보(202)를 생성한다. 예컨대, 사용자가 애완용 로봇 강아지를 쓰다듬은 경우, 감정 생성부(101)는 Happy[3]과 같은 감정 파라미터를 생성하는 것이 가능하다. Happy[3]은, 감정의 종류로써 행복감과 그 강도로써 3을 의미할 수 있다. 이 때, 생성되는 감정 정보는 성향 정보에 따라 달라질 수 있으며, 이러한 의존 관계를 의존 정보(206)로 나타낼 수 있음은 전술한 바와 같다.
동작 선택부(102)는 감정 생성부(101)의 감정 정보(202)에 기초하여 애완용 로봇 강아지가 취할 수 있는 동작들을 결정하는 동작 정보(203)을 선택한다. 예컨대, 동작 선택부(102)는 behavior A_[3], behavior B_[2] 등의 동작 파라미터를 선택하는 것이 가능하다. behavior A_[3]은 꼬리를 흔드는 동작과 흔드는 속도를 나타낼 수 있고, behavior B_[2]는 짖는 동작과 짖는 소리의 크기를 나타낼 수 있다. 따라서 behavior A_[3] 및 behavior B_[2]가 선택되는 경우, 애완용 로봇 강아지가 꼬리를 3의 속도로 흔들면서 2의 소리로 짖는 것이 가능하다.
사용자 응답 수신부(103)는 사용자 응답(204)을 수신하고 이를 성향 갱신부(104)로 전달한다. 이 때, 사용자 응답(204)은 특정한 강도(또는 값)를 갖는 양성 응답 또는 음성 응답으로 분류될 수 있다. 예컨대, 긍정적인 반응은 양성 응답이 될 수 있고, 부정적인 반응은 음성 응답이 될 수 있다. 그리고 각각의 응답이 갖는 강도는 긍정적인 정도 또는 부정적인 정도를 나타낼 수 있다. 만약, 애완용 로봇 강아지가 꼬리를 흔들면서 짖었을 때 사용자가 시끄럽다고 벌을 주는 경우, 사용자 응답은 -3과 같은 음성 응답으로 분류될 수 있다. 사용자 응답은 성향 갱신부(104)가 소정의 응답 분류 트리를 참조하여 분류하는 것이 가능하다.
성향 갱신부(104)는 사용자 응답(204)을 이용하여 학습 파라미터(205)를 생성하고, 생성된 학습 파라미터를 이용하여 성향 정보(201)를 갱신한다. 학습 파라미터(205)는 성향 정보(201)의 특성 강도를 조절하는 이득 Gi가 될 수 있다. 여기서 첨자 i는 성향 특성을 나타내며, 어떠한 성향 특성에 대한 특성 강도를 조절할 것인지는 생성된 감정 정보(202)와 의존 정보(206)에 기초하여 정해질 수 있다. 예컨대, 위 예와 같이, 애완용 로봇 강아지가 꼬리를 치면서 짖었을 때 사용자가 벌을 주는 경우, 최초 Happy[3]이라는 감정 정보(202)를 결정한 성향 정보의 성향 특성들이 선택되고, 선택된 성향 특성들의 특성 강도가 조절되는 것이 가능하다. 예를 들어, Happy[3]이라는 감정 정보를 유발한 원인이 외향성에 있다면, 학습 파라미터(205)는 외향성의 특성 강도를 낮추는데 사용될 수 있다.
따라서, 다시 동일한 자극, 즉 사용자가 애완용 로봇 강아지를 쓰다듬었을 때, 성향 정보(201)가 적응적으로 변화하였기 때문에 종전과 다른 감정 정보가 생성될 수 있으며, 이에 따라 애완용 로봇 강아지는 꼬리만치고 짖질 아니하거나 짖더라도 작은 소리로 짖게 되는 것이 가능하다.
도 3은 본 발명의 일 실시 예에 따른 학습 제어부성향 갱신부(104)의 구성을 도시한다.
도 3을 참조하면, 본 실시 예에 따른 성향 갱신부(104)는 제 1 메모리부(301), 제 2 메모리부(302), 및 학습 제어부(303)를 포함할 수 있다.
제 1 메모리부(301)는 현재의 동작 정보, 현재의 동작 정보를 결정한 감정 정보, 현재의 동작 정보에 대응되는 사용자 응답을 저장하는 워킹 메모리 또는 단기 저장 메모리가 될 수 있다. 예컨대, 도 2에서, 현재의 동작 정보는 참조번호 203에, 현재의 동작 정보를 결정한 감정 정보는 참조번호 202에, 현재의 동작 정보에 대응되는 사용자 응답은 참조번호 204에각각 대응될 수 있다. 동작 정보는 동작 선택부(102)로부터 수신되는 것이 가능하고, 감정 정보는 동작 선택부(102) 또는 감정 생성부(101)로부터 수신되는 것이 가능하다. 그리고 사용자 응답은 사용자 응답 수신부(103)로부터 수신되는 것이 가능하며, 음수 또는 양수의 특정한 값 형태로 저장될 수가 있다.
제 2 메모리부(302)는 성향 정보와 감정 정보 간의 의존 정보 및 사용자 응답을 분류하는 데 사용되는 응답 분류 트리를 저장하는 장기 저장 메모리가 될 수 있다. 이 때, 의존 정보는 감정 생성부(101)로부터 수신되어 저장되는 것이 가능하다.
학습 제어부(303)는 제 1 메모리부(301)에 저장된 감정 정보 및 제 2 메모리부(302)에 저장된 의존 정보를 참조하여 어떠한 성향 정보를 갱신할 것인지 결정한다. 예컨대, 도 2에서, 성향 정보(201)의 성향 특성에 대응되는 Index 번호를 선택하는 것이 가능하다.
그리고 학습 제어부(303)는 제 1 메모리부(301)에 저장된 사용자 응답을 이용하여 학습 파라미터를 생성한다.
예컨대, 학습 파라미터는 다음과 같이 계산될 수 있다.
Figure 112009040599167-PAT00001
수학식 1에서, G는 학습 파라미터를 나타낸다. 그리고 x는 사용자 응답을 나타낸다. 예컨대, x는 -3, -2, 1, 3, 4 등과 같이, 특정한 강도를 갖는 양성 응답 또는 음성 응답이 될 수 있다. i는 갱신 대상이 되는 성향 정보, 즉 도 2에서 선택된 Index 번호에 대응되는 성향 특성이 될 수 있다. a는 학습 파라미터에 의해 성향 정보가 변경되는 범위를 나타내며, 이 값이 클수록 성향 정보의 변화의 범위가 커진다. s는 학습율(learning rate)을 나타내며, 이 값에 따라 학습 속도가 조절될 수 있다. r은 사용자 응답이 긍정적일 경우, 즉 사용자 응답이 양수의 반응 값을 가질 경우, 짝수(예컨대, 2)로 설정되고, 사용자 응답이 부정적일 경우, 즉 사용자 응답이 음수의 반응 값을 가질 경우, 홀수(예컨대, 1)로 설정되는 값이다.
수학식 1을 참조하면, 이득 함수는 sigmoid function이기 때문에 x 값에 따 라 급격하게 변화하지만 x가 일정 범위를 벗어나면 이득 값이 특정한 값에 수렴하는 것을 알 수 있다.
그리고 학습 제어부(303)는 생성된 학습 파라미터를 이용하여 성향 정보를 갱신하는 것이 가능하다. 예컨대, 학습 제어부(303)는 선택된 성향 특성의 강도를 다음과 같이 조절하는 것이 가능하다.
Pi` = Pi + Gi(x)
수학식 2에서, P는 초기의 성향 정보를 나타내고, P`는 갱신된 성향 정보를 나타낸다. 예컨대, Pi는 i번째 성향 특성에 대한 특성 강도가 될 수 있다.
이와 같이, 성향 정보가 사용자 응답에 따라 적응적으로 변화하는 것이 가능하며, 변화된 성향 정보는 생성되는 감정 정보 및 감정 정보에 따라 유발되는 행동 패턴에 영향을 미치는 것을 알 수 있다.
도 4는 본 발명의 일 실시 예에 따른 응답 분류 트리를 도시한다.
도 4에서 도시된 분류 트리(400)는 도 3의 제 2 메모리부(302)에 저장되어 있을 수 있으며, 학습 제어부(303)는 분류 트리(400)를 이용하여 수학식 1의 x 값, 즉 사용자 응답을 수치적으로 표현하는 것이 가능하다.
도 4를 참조하면, 학습 제어부(303)는 사용자 응답 수신부(103)로부터 사용자 응답을 수신하고, 분류 트리(400)를 참조하여 수신된 사용자 응답이 사운드 응답인지 비-사운드 응답인지 구분한다. 사운드 응답인 경우, 음성 분석 또는 텍스트 분석을 통해 반응 값을 결정하는 것이 가능하고, 비-사운드 응답인 경우, 화상 분석을 통해 반응 값을 결정하는 것이 가능하다.
반응 값은 음수 또는 양수가 될 수 있으며, 부정적인 응답에 대해서는 음수 반응 값이 매핑되고 긍정적인 응답에 대해서는 양수 반응 값이 매핑될 수 있다.
예컨대, 본 실시 예에 따른 감성 모델 장치(100)가 어떠한 동작을 취했을 때, 사용자가 이에 대해 "Good job!"이라고 응답하면, "+1"과 같은 반응 값이 생성되는 것을 알 수 있다. 이 반응 값은 수학식 1에서 x 값으로 사용될 수 있다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 감성 모델 장치의 성향 학습 방법을 도시한다.
도 5를 참조하면, 먼저 외부 자극에 대해 성향 정보에 따라 감정 정보를 생성한다(501). 예컨대, 감정 생성부(101)가 특정한 감정 파라미터를 생성하는 것이 가능하다.
그리고 생성된 감정 정보와 의존 정보를 제공한다(502). 예컨대, 감정 생성부(101)가 생성된 감정 파라미터 및, 생성된 감정 파라미터와 성향 정보 간의 의존 정보를 성향 갱신부(104)로 전송하는 것이 가능하다.
그리고 생성된 감정 정보에 따라 동작 정보를 선택한다(503). 예컨대, 동작 선택부(102)가 감정 생성부(101)로부터 생성된 감정 파라미터를 수신하고, 수신된 감정 파라미터에 기초하여 특정한 동작 파라미터를 선택하는 것이 가능하다. 선택적으로, 선택된 동작 정보가 성향 갱신부(104)로 전송될 수도 있다.
그리고 선택된 동작 정보에 따른 특정한 동작에 대응되는 사용자 응답을 수 신한다(504). 예컨대, 사용자 응답 수신부(103)가 사용자 응답을 수신하고, 수신된 사용자 응답을 성향 갱신부(104)로 전송하는 것이 가능하다.
그리고 수신된 사용자 응답에 기초하여 성향 정보를 갱신한다(505). 예컨대, 성향 갱신부(104)가 감정 생성부(101)에 저장되어 있는 성향 정보를 갱신하는 것이 가능하다.
성향 정보를 갱신하는 과정을 더 구체적으로 살펴보면 도 6과 같다.
도 6을 참조하면, 먼저 갱신 대상이 되는 성향 특성을 선택한다(601). 예컨대, 학습 제어부(303)가 제 1 메모리부(301)에 저장되어 있는 감정 정보 및 제 2 메모리부(302)에 저장되어 있는 의존 정보를 이용해서 수학식 1의 i 값을 결정하는 것이 가능하다. 감정 정보 및 의존 정보는 도 5의 단계 502를 통해 각각의 메모리부(301, 302)에 저장되는 것이 가능하다.
그리고 사용자 응답에 기초하여 학습 파라미터를 계산한다(602). 예컨대, 학습 제어부(303)가 제 1 메모리부(301)에 저장되어 있는 사용자 응답을 이용해서 수학식 1의 x 값을 결정하고, 이득(G(x))을 계산하는 것이 가능하다. 이 때, x 값은 학습 제어부(303)가 제 2 메모리부(302)에 저장되어 있는 응답 분류 트리를 참조하여 수신된 사용자 응답을 특정한 값으로 매핑시켜서 결정하는 것이 가능하다. 사용자 응답은 도 5의 단계 504를 통해 제 1 메모리부(301)에 저장되어 있는 것이 가능하다.
그리고 계산된 학습 파라미터를 이용하여 선택된 성향 특성의 강도를 갱신한다(603). 예컨대, 학습 제어부(303)가 수학식 2를 통해 성향 정보를 갱신하는 것이 가능하다.
따라서 본 실시 예에 따른 감성 모델은 사용자와의 상호 작용이 증가할수록 사용자가 원하는 형태의 personality를 형성하게 되는 것이 가능하다. 예를 들어, 초기에 Personality의　Extraversion이 높은 값으로 설정되어 있어서, 말을 많이 하는 Robot 있고, 사용자는 Reserved한 Robot을 원하는 경우, Robot은 사용자로부터 Negative Response를 받게 되고, Extraversion 값이 줄어들게 된다. 그리고 Extraversion에 Dependency가 있는 Emotion들 역시 값이 낮아지게 되고, 또한 Behavior의 강도도 낮아지게 되어, 사용자가 원하는 형태의 Robot을 구성할 수 있게 된다.
도 7은 본 발명의 일 실시 예에 따른 감성 모델 시스템을 도시한다.
도 7을 참조하면, 본 실시 예에 따른 시스템(700)은 서버(703)와 다수의 감성 디바이스(701, 702)를 포함한다. 각각의 감성 디바이스(701, 702)는 전술한 감성 모델 장치(100)가 될 수 있으며, 서버(703)와 통신 가능하게 연결된다. 그리고 서버(703)는 감성 디바이스(701, 702)의 성향 정보를 저장하는 것이 가능하며 각각의 감성 디바이스(701, 702)는 서버(703)에 저장된 성향 정보를 공유하는 것이 가능하다.
예컨대, 사용자가 디바이스 1(701)과 상호 작용을 하면, 서버(703)에 저장된 성향 정보가 갱신되는 것이 가능하다. 이후 사용자가 디바이스 2(702)를 이용하는 경우, 갱신된 성향 정보에 기초하여 동작이 결정되고 이 동작에 대한 사용자 응답에 따라 성향 정보가 재갱신되는 것이 가능하다. 이에 따라 사용자가 가지고 있는 디바이스들의 성향이 유사해지는 것이 가능해진다.
그 밖에도, 디바이스 1(701)을 사용하는 자가 여러 명인 경우, 서버(703)가 각 사용자 별로 성향 정보를 관리하는 것도 가능하다.
한편, 본 발명의 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
이상에서 본 발명의 실시를 위한 구체적인 예를 살펴보았다. 전술한 실시 예들은 본 발명을 예시적으로 설명하기 위한 것으로 본 발명의 권리범위가 특정 실시 예에 한정되지 아니할 것이다.
도 1은 본 발명의 일 실시 예에 따른 감성 모델 장치의 구성을 도시한다.
도 2는 본 발명의 일 실시 예에 따른 감성 모델 장치의 동작을 도시한다.
도 3은 본 발명의 일 실시 예에 따른 감성 모델의 성향 학습 장치의 구성을 도시한다.
도 4는 본 발명의 일 실시 예에 따른 사용자 응답 분류 트리를 도시한다.
도 5 및 도 6은 본 발명의 일 실시 예에 따른 감성 모델의 성향 학습 방법을 도시한다.
도 7은 본 발명의 일 실시 예에 따른 감성 모델 시스템을 도시한다.

Claims (14)

  1. 성향 정보를 저장하며, 상기 성향 정보에 따라 감정 정보를 생성하는 감정 생성부;
    상기 생성된 감정 정보에 기초하여, 동작을 결정하는 동작 정보를 선택하는 동작 선택부;
    상기 선택된 동작 정보에 의해 결정된 동작에 대응되는 사용자 응답을 수신하는 사용자 응답 수신부; 및
    상기 수신된 사용자 응답을 이용하여 상기 성향 정보에 대한 학습 파라미터를 생성하고, 상기 생성된 학습 파라미터를 이용하여 상기 성향 정보를 갱신하는 성향 갱신부; 를 포함하는 감성 모델 장치.
  2. 제 1 항에 있어서,
    상기 감정 생성부가 상기 성향 정보와 상기 생성된 감정 정보 간의 의존 관계로 정의되는 의존 정보를 상기 성향 갱신부로 제공하고, 상기 감정 생성부 또는 상기 동작 선택부가 상기 생성된 감정 정보를 상기 성향 갱신부로 제공하는 감성 모델 장치.
  3. 제 2 항에 있어서,
    상기 성향 갱신부는 제공받은 상기 생성된 감정 정보 및 상기 의존 정보를 이용하여 갱신 대상이 되는 성향 정보를 선택하고, 상기 수신된 사용자 응답을 이용하여 상기 선택된 성향 정보에 대한 상기 학습 파라미터를 생성하고, 상기 생성된 학습 파라미터를 이용하여 상기 선택된 성향 정보를 갱신하는 감성 모델 장치.
  4. 제 1 항에 있어서,
    상기 사용자 응답은 강도를 갖는 양성 응답 및 음성 응답으로 분류되며,
    상기 성향 갱신부는 상기 사용자 응답을 분류하기 위한 응답 분류 트리를 참조하여 상기 사용자 응답을 상기 양성 응답 또는 상기 음성 응답으로 분류하는 감성 모델 장치.
  5. 제 1 항에 있어서,
    상기 성향 정보는 성향의 특성 및 특성 별 성향의 강도를 포함하며,
    상기 학습 파라미터는 상기 특성 별 성향의 강도를 조절하는 이득으로 정의되는 감성 모델 장치.
  6. 성향 정보에 따라 생성된 감정 정보 및 상기 감정 정보에 기초하여 선택된 동작 정보에 대응되는 사용자 응답을 저장하는 제 1 메모리부;
    상기 생성된 감정 정보와 상기 성향 정보 간의 의존 관계로 정의되는 의존 정보를 저장하는 제 2 메모리부; 및
    상기 생성된 감정 정보 및 상기 의존 정보를 이용하여 갱신 대상이 되는 성 향 정보를 선택하고, 상기 사용자 응답을 이용하여 상기 선택된 성향 정보에 대한 학습 파라미터를 생성하고, 상기 생성된 학습 파라미터를 이용하여 상기 선택된 성향 정보를 갱신하는 학습 제어부; 를 포함하는 감성 모델의 성향 학습 장치.
  7. 제 6 항에 있어서,
    상기 사용자 응답은 강도를 갖는 양성 응답 및 음성 응답으로 분류되며,
    상기 제 2 메모리부는, 상기 사용자 응답을 분류하기 위한 응답 분류 트리를 더 저장하는 감성 모델의 성향 학습 장치.
  8. 제 7 항에 있어서,
    상기 학습 제어부는 상기 응답 분류 트리를 참조하여 상기 사용자 응답을 상기 양성 응답 또는 상기 음성 응답으로 분류하는 감성 모델의 성향 학습 장치.
  9. 제 6 항에 있어서,
    상기 성향 정보는 성향의 특성 및 특성 별 성향의 강도를 포함하며,
    상기 학습 파라미터는 상기 특성 별 성향의 강도를 조절하는 이득으로 정의되는 감성 모델의 성향 학습 장치.
  10. 외부 자극에 대해 성향 정보에 따라 감정 정보를 생성하는 단계;
    상기 성향 정보와 상기 생성된 감정 정보 간의 의존 관계로 정의되는 의존 정보 및 상기 생성된 감정 정보를 제공하는 단계;
    상기 생성된 감정 정보에 기초하여, 동작을 결정하는 동작 정보를 선택하는 단계;
    상기 선택된 동작 정보에 의해 결정된 동작에 대응되는 사용자 응답을 수신하는 단계; 및
    상기 생성된 감정 정보 및 상기 의존 정보를 이용하여 갱신 대상이 되는 성향 정보를 선택하고, 상기 수신된 사용자 응답을 이용하여 상기 선택된 성향 정보에 대한 학습 파라미터를 생성하고, 상기 생성된 학습 파라미터를 이용하여 상기 선택된 성향 정보를 갱신하는 단계; 를 포함하는 감성 모델의 성향 학습 방법.
  11. 제 10 항에 있어서,
    상기 성향 정보를 갱신하는 단계는, 상기 수신된 사용자 응답을, 강도를 갖는 양성 응답 또는 음성 응답으로 분류하는 과정을 포함하는 감성 모델의 성향 학습 방법.
  12. 제 10 항에 있어서,
    상기 성향 정보는 성향의 특성 및 특성 별 성향의 강도를 포함하며,
    상기 학습 파라미터는 상기 특성 별 성향의 강도를 조절하는 이득으로 정의되는 감성 모델의 성향 학습 방법.
  13. 생성된 감정 정보, 및 성향 정보와 상기 생성된 감정 정보 간의 의존 관계로 정의되는 의존 정보를 이용하여 갱신 대상이 되는 성향 정보의 성향 특성을 선택하는 단계;
    상기 생성된 감정 정보에 따라 선택된 동작에 대응되는 사용자 응답을 이용하여 상기 선택된 성향 특성에 대한 학습 파라미터를 생성하는 단계; 및
    상기 생성된 학습 파라미터를 이용하여 상기 선택된 성향 특성의 강도를 갱신하는 단계; 를 포함하는 감성 모델 장치의 성향 학습 방법.
  14. 제 13 항에 있어서,
    상기 학습 파라미터를 생성하는 단계는, 상기 사용자 응답을, 강도를 갖는 양성 응답 또는 음성 응답으로 분류하는 과정을 포함하는 감성 모델 장치의 성향 학습 방법.
KR1020090060401A 2009-07-02 2009-07-02 감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법 KR20110002757A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020090060401A KR20110002757A (ko) 2009-07-02 2009-07-02 감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법
US12/824,446 US8494982B2 (en) 2009-07-02 2010-06-28 Emotion model, apparatus, and method for adaptively modifying personality features of emotion model
JP2010151724A JP2011020258A (ja) 2009-07-02 2010-07-02 感性モデル装置、感性モデルの性向学習装置及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090060401A KR20110002757A (ko) 2009-07-02 2009-07-02 감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20110002757A true KR20110002757A (ko) 2011-01-10

Family

ID=43413171

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090060401A KR20110002757A (ko) 2009-07-02 2009-07-02 감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법

Country Status (3)

Country Link
US (1) US8494982B2 (ko)
JP (1) JP2011020258A (ko)
KR (1) KR20110002757A (ko)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101678018B1 (ko) * 2010-01-22 2016-11-22 삼성전자주식회사 감성 모델 장치 및 감성 모델 장치의 행동 결정 방법
JP5927797B2 (ja) * 2011-07-26 2016-06-01 富士通株式会社 ロボット制御装置、ロボットシステム、ロボット装置の行動制御方法、及びプログラム
US9796095B1 (en) 2012-08-15 2017-10-24 Hanson Robokind And Intelligent Bots, Llc System and method for controlling intelligent animated characters
US9104231B2 (en) 2012-09-27 2015-08-11 Microsoft Technology Licensing, Llc Mood-actuated device
JP5624100B2 (ja) * 2012-10-03 2014-11-12 コリア インスティチュートオブ インダストリアル テクノロジー 人工感情学習装置及び方法
US9104467B2 (en) 2012-10-14 2015-08-11 Ari M Frank Utilizing eye tracking to reduce power consumption involved in measuring affective response
US9477993B2 (en) * 2012-10-14 2016-10-25 Ari M Frank Training a predictor of emotional response based on explicit voting on content and eye tracking to verify attention
US9046884B2 (en) * 2012-12-31 2015-06-02 Microsoft Technology Licensing, Llc Mood-actuated device
US20140288704A1 (en) * 2013-03-14 2014-09-25 Hanson Robokind And Intelligent Bots, Llc System and Method for Controlling Behavior of a Robotic Character
US9788777B1 (en) * 2013-08-12 2017-10-17 The Neilsen Company (US), LLC Methods and apparatus to identify a mood of media
KR20160004851A (ko) * 2014-07-04 2016-01-13 지유철 단말기로부터 제공되는 사용자의 상태정보를 활용하는 제어스테이션 및 이를 포함하는 제어시스템
EP3232395A4 (en) * 2014-12-09 2018-07-11 Sony Corporation Information processing device, control method, and program
US10997226B2 (en) 2015-05-21 2021-05-04 Microsoft Technology Licensing, Llc Crafting a response based on sentiment identification
US10025775B2 (en) 2015-09-04 2018-07-17 Conduent Business Services, Llc Emotion, mood and personality inference in real-time environments
CN205734951U (zh) * 2015-12-17 2016-11-30 深圳市知加力科技开发有限公司 具有肢体语言能力的机器人
JP6726388B2 (ja) * 2016-03-16 2020-07-22 富士ゼロックス株式会社 ロボット制御システム
CN105867633B (zh) * 2016-04-26 2019-09-27 北京光年无限科技有限公司 面向智能机器人的信息处理方法及***
CN106662931A (zh) * 2016-07-07 2017-05-10 深圳狗尾草智能科技有限公司 一种机器人人机交互***、装置和方法
CN106200959B (zh) * 2016-07-08 2019-01-22 北京光年无限科技有限公司 面向智能机器人的信息处理方法及***
WO2018092436A1 (ja) * 2016-11-16 2018-05-24 本田技研工業株式会社 感情推定装置、および、感情推定システム
CN108115678B (zh) * 2016-11-28 2020-10-23 深圳光启合众科技有限公司 机器人及其动作控制方法和装置
US10850398B2 (en) * 2017-05-11 2020-12-01 Misty Robotics, Inc. Infinite robot personalities
CN110457721A (zh) * 2018-05-07 2019-11-15 中国石油化工股份有限公司 基于全局参数敏感性分析的化工安全操作域确定方法
JP7076357B2 (ja) * 2018-10-30 2022-05-27 本田技研工業株式会社 感情推定装置
CN111506711A (zh) * 2019-01-14 2020-08-07 北京京东尚科信息技术有限公司 一种智能客服应答方法和装置
CN111461153B (zh) * 2019-01-22 2023-08-04 刘宏军 人群特征深度学习方法
JP7283495B2 (ja) * 2021-03-16 2023-05-30 カシオ計算機株式会社 機器の制御装置、機器の制御方法及びプログラム
CN113524179A (zh) * 2021-07-05 2021-10-22 上海仙塔智能科技有限公司 基于情绪累积数值的控制方法、装置、设备以及介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6185534B1 (en) * 1998-03-23 2001-02-06 Microsoft Corporation Modeling emotion and personality in a computer user interface
US6249780B1 (en) * 1998-08-06 2001-06-19 Yamaha Hatsudoki Kabushiki Kaisha Control system for controlling object using pseudo-emotions and pseudo-personality generated in the object
US6731307B1 (en) 2000-10-30 2004-05-04 Koninklije Philips Electronics N.V. User interface/entertainment device that simulates personal interaction and responds to user's mental state and/or personality
US20030167167A1 (en) 2002-02-26 2003-09-04 Li Gong Intelligent personal assistants
JP2003340760A (ja) * 2002-05-20 2003-12-02 Sony Corp ロボット装置およびロボット制御方法、記録媒体、並びにプログラム
JP2005238422A (ja) 2004-02-27 2005-09-08 Sony Corp ロボット装置、並びにその状態遷移モデル構築方法及び行動制御方法
KR100595821B1 (ko) 2004-09-20 2006-07-03 한국과학기술원 로봇의 감성합성장치 및 방법
US20060248461A1 (en) * 2005-04-29 2006-11-02 Omron Corporation Socially intelligent agent software
US7944448B2 (en) * 2005-06-14 2011-05-17 Omron Corporation Apparatus and method for socially intelligent virtual entity
TWI430189B (zh) * 2009-11-10 2014-03-11 Inst Information Industry 訊息擬真處理系統、裝置及方法

Also Published As

Publication number Publication date
JP2011020258A (ja) 2011-02-03
US8494982B2 (en) 2013-07-23
US20110004577A1 (en) 2011-01-06

Similar Documents

Publication Publication Date Title
KR20110002757A (ko) 감성 모델 장치, 감성 모델의 성향 학습 장치 및 방법
US11618170B2 (en) Control of social robot based on prior character portrayal
Grand et al. Creatures: Entertainment software agents with artificial life
KR101678018B1 (ko) 감성 모델 장치 및 감성 모델 장치의 행동 결정 방법
KR20070061054A (ko) 복수의 감정 생성 로봇 및 로봇에서 복수의 감정 생성 방법
KR101932835B1 (ko) 행동 결정 장치 및 방법, 컴퓨터 판독 가능한 저장 매체
Yoon et al. Interactive training for synthetic characters
CN108115678B (zh) 机器人及其动作控制方法和装置
US11886970B2 (en) Apparatus control device, apparatus, apparatus control method, and storage medium
KR102442529B1 (ko) 인공지능을 이용한 반려동물 소통 서비스 제공 방법
KR101738142B1 (ko) 감성 기반의 대화가 가능한 디지털 생명체 생성 시스템 및 그 제어방법
US20210323166A1 (en) Infinite robot personalities
KR20200074958A (ko) 뉴럴 네트워크 학습 방법 및 디바이스
Millikan On reading signs: Some differences between us and the others
Lee et al. Hierarchical emotional episodic memory for social human robot collaboration
Brown et al. Comparative bioacoustics: An overview
US20110099130A1 (en) Integrated learning for interactive synthetic characters
Nehaniv The making of meaning in societies: Semiotic and information-theoretic background to the evolution of communication
EP3783537A1 (en) Controlling submission of content
KR20100070773A (ko) 성격 변화 장치 및 그 방법과, 그를 이용한 행동 다양화 장치 및 그 방법과, 그 로봇 시스템
JP7414735B2 (ja) 複数のロボットエフェクターを制御するための方法
Folstein et al. The cognitive neuroscience of stable and flexible semantic typicality
KR100503652B1 (ko) 가상 생명체 시스템과 이를 이용한 교육용 소프트웨어시스템
CN113962353A (zh) 一种建立强人工智能的方法
JP2004348721A (ja) ２つの異なる複雑性レベルにおけるシミュレーション

Legal Events

Date Code Title Description
N231 Notification of change of applicant
A201 Request for examination
E902 Notification of reason for refusal