KR20130012349A - 로봇의 감정 생성 장치 및 방법 - Google Patents

Abstract

본 발명의 로봇의 감정 생성 장치는 로봇에 부여된 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값을 갖는 감정값군을 상기 로봇의 감정 좌표계 상에 복수로 생성하는 감정값군 생성부 및 상기 감정 좌표계 상에서 상기 로봇의 감정 상태 입력값의 좌표가 나타내는 상기 각 감정값군의 감정값의 집합을 상기 로봇의 감정으로 생성하는 감정 생성부를 포함함으로써, 인간의 복합 감정과 같이 다양한 기본 감정이 복합적으로 반영된 상태의 복합 감정을 생성할 수 있다.

Description

로봇의 감정 생성 장치 및 방법{APPARATUS AND METHOD FOR GENERATING EMOTION OF ROBOT}

본 발명은 로봇의 감정 생성 장치 및 방법에 관한 것으로서, 상세하게는 복수의 기본 감정의 집합으로 로봇의 현재 감정을 생성할 수 있는 로봇의 감정 생성 장치 및 방법에 관한 것이다.

일반적으로 정의되는 로봇의 감정은 감정 공간의 일정 위치에 생성되는 감정에 한정된다.

도 1은 로봇의 감정 공간을 나타낸 개략도로서, 살펴보면 설정된 위치에 만족(contend), 놀람(surprise) 등의 기본 감정이 배치되어 있음을 알 수 있다.

감정을 생성하기 위해 먼저, 로봇에 설치된 여러 센서 중 로봇의 감정과 관계된 센서의 출력값으로부터 감정 공간, 즉 감정 좌표계에 반영할 수 있는 감정 상태 입력값을 도출한다. 다음으로 감정 좌표계에서 이렇게 도출된 감정 상태 입력값의 좌표에 가장 가까운 기본 감정을 추출함으로써 로봇의 감정을 생성한다. 즉, 로봇의 감정은 추출된 기본 감정이 된다.

도 2는 감정 상태 입력값으로부터 로봇의 감정을 생성하는 과정을 나타낸 개략도로, 설명의 편의를 위해 1차원 감정 좌표계를 사용하였다.

감정 좌표계에서 좌표 1에 기쁨의 기본 감정을 배치하고, 좌표 -1에 슬픔의 기본 감정을 배치한 경우를 가정한다. 감정 상태 입력값이 0.3이면 0.3에 가장 가까운 기본 감정을 추출한다. 도 2의 경우 0.3은 -1보다 1에 가까우므로 기쁨의 기본 감정이 추출된다. 기쁨의 기본 감정은 감정 좌표계에서 좌표 1이므로, 최종적으로 로봇의 감정은 좌표 1이 된다.

위와 같은 감정 생성 방식에 따르면 감정 상태 입력값이 0.5라 하더라도, 감정 상태 입력값이 0.3인 경우와 마찬가지로 최종 로봇의 감정은 좌표 1이 될 것이다.

따라서, 이렇게 생성된 로봇의 감정을 입력받아 눈, 입, 제스쳐 등을 표현하는 감정 표현 장치의 입장에서는 감정 상태 입력값이 0.3, 0.5과 같이 다르더라도 동일한 좌표 1이 입력된다. 그러므로, 감정 상태 입력값이 다르더라도 동일한 감정 표현이 이루어지게 된다.

그러나, 인간의 감정이란 결과적으로 기쁨의 감정이더라도, 슬픔이나 놀람 등 다른 감정이 복합적으로 반영된 복합 감정이다. 따라서, 슬픔이나 놀람 등의 다른 감정이 어느 정도 반영되고 있느냐에 따라 기쁨의 정도가 다르게 된다. 또한 기쁨의 정도에 따라 감정 표현에도 차이를 보이게 된다.

로봇의 감정 표현에서 추구하는 바가 인간에 근접한 감정 표현이므로, 로봇이 인간에 근접한 감정을 표현하기 위해서는 인간의 복합 감정을 추종하는 복합 감정을 생성할 수 있어야 한다.

한국공개특허공보 제2007-0061054호에는 제1 감정과 제2 감정과 같이 복수의 감정을 생성하는 로봇 및 방법에 대해서 기술되어 있다. 그러나, 위 특허 문헌에 개시되는 제2 감정은 이른바 학습에 의해 획득되는 감정 변화를 나타낸 것이고, 제1 감정에 대해서는 위에 설명된 바와 같이 복합 감정을 나타내지 못하고 있다. 따라서, 특허 문헌의 기술 역시 도 1과 2에서 언급한 한계를 갖고 있다.

한국공개특허공보 제2007-0061054호

본 발명은 복수의 기본 감정의 집합으로 로봇의 현재 감정을 생성할 수 있는 로봇의 감정 생성 장치 및 방법을 제공하기 위한 것이다.

본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기의 목적을 달성하기 위한 본 발명의 로봇의 감정 생성 장치는 로봇에 부여된 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값을 갖는 감정값군을 상기 로봇의 감정 좌표계 상에 복수로 생성하는 감정값군 생성부 및 상기 감정 좌표계 상에서 상기 로봇의 감정 상태 입력값의 좌표가 나타내는 상기 각 감정값군의 감정값의 집합을 상기 로봇의 감정으로 생성하는 감정 생성부를 포함할 수 있다.

이때, 상기 감정값군은 상기 감정 상태 입력값을 기초로 생성될 수 있다.

또한, 상기 기본 감정은 동일한 기본 감정을 복수개 갖고, 상기 감정값군 생성부는 상기 동일한 기본 감정의 감정값군을 합성하여 하나의 감정값군을 형성할 수 있다.

또한, 상기 집합의 감정값은 확률적으로 표현될 수 있다.

또한, 상기 감정값군은 상기 기본 감정의 좌표를 중심으로 하는 가우스 곡선을 형성할 수 있다.

여기서, 상기 로봇의 감정 e(k)는 다음의 수학식으로 표현될 수 있다.

여기서, J는 기본 감정의 개수이고,

e_j는 j번째 기본 감정의 감정값이며,

이고,

로 likelihood function이며,

이고,

P(e_j)는 e_j의 prior probability로 각 감정값이 선택될 수 있는 확률이며,

각 감정값의 prior probability의 합은 1이고,

ω_j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드(Gaussian mode)의 가중치이며,

M_j(k)는 k시간에서 j번째 감정 분포가 가진 가우시안 모드의 수이고,

μ _j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드의 중앙값이며,

Σ _j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드의 bandwidth이고,

x(k)는 k시간에서의 감정 상태 입력값이며,

[]^T는 전치 행렬이다.

한편, 본 발명의 로봇의 감정 생성 방법은 로봇에 부여된 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값을 갖는 감정값군을 상기 로봇의 감정 좌표계 상에 복수로 생성하는 단계 및 상기 감정 좌표계 상에서 상기 로봇의 감정 상태 입력값의 좌표가 나타내는 상기 각 감정값군의 감정값의 집합을 상기 로봇의 감정으로 생성하는 단계를 포함할 수 있다.

이때, 상기 감정값군 생성 단계는 Gaussian Mixture Model(GMM)을 적용하여 상기 감정값군을 생성하고, 상기 로봇의 감정 생성 단계는 상기 집합의 감정값에 Bayes' rule을 적용하여 각 감정값이 확률적으로 표현되도록 더 변환할 수 있다.

한편, 로봇의 감정 생성 방법을 컴퓨터에 실행시키기 위한 프로그램을 컴퓨터로 읽을 수 있는 매체에 기록할 수 있다.

이상에서 설명된 바와 같이 본 발명에 따른 로봇의 감정 생성 장치 및 방법은 기본 감정값만으로 로봇의 감정을 생성하는 대신, 기본 감정을 포함하는 여러 감정값군의 감정값의 집합으로 로봇의 감정을 생성한다.

이에 따라 인간의 복합 감정과 같이 다양한 기본 감정이 복합적으로 반영된 상태의 복합 감정을 생성할 수 있다.

이렇게 생성된 복합 감정은 로봇의 감정 표현을 보다 사실적으로 구현하기 위한 용도로 사용될 수 있다.

도 1은 로봇의 감정 공간을 나타낸 개략도.
도 2는 감정 상태 입력값으로부터 로봇의 감정을 생성하는 과정을 나타낸 개략도.
도 3은 본 발명의 로봇의 감정 생성 장치를 나타낸 블럭도.
도 4는 본 발명의 로봇의 감정 생성 장치의 동작을 설명하기 위한 개략도.
도 5는 동일한 기본 감정이 추가된 상태의 감정값군 생성 방법을 나타낸 개략도.
도 6은 본 발명의 로봇의 감정 생성 방법을 나타낸 흐름도.

이하, 본 발명의 로봇의 감정 생성 장치 및 방법에 대하여 도면을 참조하여 보다 상세하게 설명한다.

도 3은 본 발명의 로봇의 감정 생성 장치를 나타낸 블럭도이다.

도 3에 도시된 로봇의 감정 생성 장치는 로봇에 부여된 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값을 갖는 감정값군을 상기 로봇의 감정 좌표계 상에 복수로 생성하는 감정값군 생성부(110) 및 상기 감정 좌표계 상에서 상기 로봇의 감정 상태 입력값의 좌표가 나타내는 상기 각 감정값군의 감정값의 집합을 상기 로봇의 감정으로 생성하는 감정 생성부(130)를 포함할 수 있다.

감정값군 생성부(110)는 도 2와 같이 감정 좌표계 상의 한 좌표에 하나의 감정을 설정하는 것과 다르게, 도 4와 같이 기본 감정의 좌표를 중심으로 하는 체적 공간에 하나의 감정을 설정한다.

이때의 체적 공간은 기본 감정의 좌표에서 가장 크고 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값으로 표현될 수 있다. 이때, 감정값은 감정을 나타내는 크기이다. 예를 들어 순수하게 기쁨의 감정만이 있는 경우를 가정할 때 같은 기쁨이라도 기쁨의 크기가 다를 것이다. 이렇게 다른 기쁨의 크기를 표현하기 위한 것이 감정값이다.

기본 감정은 사용자가 로봇에 부여한 감정으로 기쁨, 슬픔, 화남, 놀람, 두려움 등과 같이 정의될 수 있다. 이와 같은 기본 감정은 로봇의 감정 좌표계 상의 한 좌표에 설정되는데, 본 발명에서는 한 좌표 대신 감정값군을 생성하여 설정하게 된다.

감정값군은 다양하게 설정될 수 있으며, 이러한 감정값군으로 생성된 체적 공간의 형상은 로봇의 성격으로 나타날 수 있다. 다만, 감정값군 설정시 기본 감정의 좌표에서의 감정값을 가장 크게 하고 기본 감정의 좌표로부터 멀어질수록 감정값을 점점 감소하도록 하는 것이 자연스런 감정 표현에 유리할 것이다.

한편, 감정값군은 감정 상태 입력값을 기초로 생성될 수 있다. 로봇이 감정 표현을 하기 위해서는 초기 외부의 자극이 있어야 한다. 이러한 자극은 로봇에 설치된 감정 관련 센서에 의해 감지되며, 센서의 감지 결과는 로봇이 갖는 감정 좌표계 상에서 표현될 수 있는 데이터로 가공된다. 이렇게 가공된 데이터가 감정 상태 입력값이다. 감정값군은 사전에 설정될 수도 있으나 이와 같은 감정 상태 입력값에 따라 변동되도록 함으로써 다이내믹한 감정 표현이 가능해진다.

한편, 기본 감정은 동일한 기본 감정을 복수개 가질 수 있다. 이때 감정값군 생성부는 동일한 기본 감정의 감정값군을 합성하여 하나의 감정값군을 형성할 수 있다.

학습 능력이 부여된 로봇의 경우 학습에 의해 기쁨의 감정 좌표가 변동, 추가, 삭제될 수 있다. 예를 들어 도 5에서와 같이 기쁨의 좌표 1 외에 학습에 의해 기쁨의 좌표 0.5가 추가될 수 있는데, 감정값군 생성부는 각 기쁨에 대해 감정값군을 생성한다. 이와 같은 경우 동일한 감정이 두개이므로 이를 병합하여 하나의 감정값군으로 나타낼 수 있다.

도 5는 동일한 기본 감정이 추가된 상태의 감정값군 생성 방법을 나타낸 개략도이다. 각 감정값군이 기본 감정의 좌표를 중심으로 하는 가우스 곡선을 형성하는 경우이며, 기쁨의 좌표 1의 가우스 곡선과 학습에 의해 새롭게 추가된 기쁨 0.5의 가우스 곡선이 GMM(Gaussian Mixture Model)의해 병합된 상태를 나타낸다.

감정 생성부(130)는 감정 좌표계 상에서 로봇의 감정 상태 입력값의 좌표가 나타내는 각 감정값군의 감정값의 집합을 로봇의 감정으로 생성한다.

도 5에서는 가우스 곡선으로 감정값군을 나타내었으나, 삼각형과 같이 앞에서 살펴본 체적 공간의 조건을 만족하는 다양한 곡석으로 감정값군을 나타낼 수 있다.

도 4는 본 발명의 로봇의 감정 생성 장치의 동작을 설명하기 위한 개략도이다. 설명의 편의를 위해 도 4와 같이 1차원 감정 좌표계를 나타내었다.

1차원 좌표 상에 기본 감정인 기쁨의 좌표 1과 다른 기본 감정인 슬픔의 좌표 -1이 부여되어 있으며, 각 기본 감정에 대하여 가우스 곡선을 형성하는 감정값군이 부여되어 있다.

만약, 감정 상태 입력값이 0.3인 경우 기존에는 기쁨의 좌표 1이 로봇의 감정이 되었으나, 본 발명의 감정 생성부에 의하면 0.3의 좌표가 나타내는 각 감정값군의 감정값의 집합인 {4 1}이 로봇의 감정이 된다. 물론 이와 같은 표현을 위해서 집합의 원소 순서를 사전에 설정해두어야 할 것이다. 본 실시예에서는 {기쁨의 감정값 슬픔의 감정값}과 같이 설정된 경우를 나타낸다.

살펴보면, 단순히 기쁨을 나타내는 좌표 1로 로봇의 감정을 표현하는 대신 기쁨의 감정의 크기가 4이고, 슬픔의 감정의 크기가 1인 복합 감정을 신뢰성 있게 생성할 수 있다. 이때 가우스 곡선의 형상에 따라 복합 감정이 변화하게 되므로 가우스 곡선은 로봇의 성격을 형성하는 셈이 된다.

이때, 차원에 따라서 하나의 감정 상태 입력값이 하나의 감정값군에서 복수개의 감정값을 나타낼 경우 가장 큰 값 또는 가장 작은 값 또는 평균에 가까운 값 등을 선택하여 하나의 감정값을 추출할 수 있다. 결과적으로 복수차원으로 감정 좌표계가 확장될 경우 감정 상태 입력값이 나타내는 각 감정값군의 감정값은 감정값군 당 하나만 추출될 수 있다.

한편, 감정 생성부는 로봇의 감정을 입력으로 하는 로봇의 감정 표현 장치의 편의를 고려하여 복합 감정의 각 요소인 집합의 감정값을 확률적으로 표현할 수 있다. 확률적인 표현은 감정값을 백분율 또는 총합 1의 분수로 나타내는 것을 의미한다.

예를 들어 위 예에서 로봇의 감정이 {4 1}인 경우, 백분율로 나타내면 {80 20}이 되고, 총합 1의 분수로 나타내면 {4/5 1/5}이 된다.

이하, 본 발명의 로봇의 감정 생성 장치의 동작을 수학식으로 설명하기로 한다.

n차원의 감정 공간을 구성하고, 감정 좌표계 상에 기본 감정을 설정한다. 감정 상태 입력값과 각 기본 감정의 감정값군에 의하여 각 감정의 감정값이 결정되며 이들의 집합이 복합 감정이다. 각 감정의 확률 분포(감정값군)은 GMM(Gaussian Mixture Model)을 사용하여 형성한다. 각 감정값의 확률적 표현은 Bayes' rule을 이용하여 계산될 수 있다. 세부 사항은 다음과 같다.

1) 감정 상태 입력값 x(k) 정의

로봇의 최종 감정은 감정 좌표계 상의 감정 상태 입력값(벡터)를 기반으로 생성된다. 감정 상태 입력값 x(k)는 로봇의 현재 상태로써 주변 환경 또는 센서 입력에 의해 결정된다. 이는 여러 가지 방법으로 결정될 수 있으며, 한 예로 NEO-PI-R(the Revised NEO Personality Inventory) 방법에 의해 결정할 수 있다. 감정 상태 입력값 x(k)는 감정 좌표계의 축의 수와 동일한 차원을 갖는다. 예를 들어, FFM(심리학의 Five Factor Model)을 사용한 5차원의 감정 공간이라면, 감정 상태 입력값 x(k)는 5차 벡터이며, Openness to experience, Conscientiousness, Extraversion, Agreeableness, Neuroticism의 값을 가지고, 각각의 값에 의해서 로봇의 상태가 결정된다.

2) 로봇의 감정인 감정 벡터 e(k) 정의

최종 감정은 하나의 감정값으로 표현되는 것이 아니라 여러 감정값의 확률값이 반영된 복합 감정으로 생성된다. 이 복합 감정은 감정 벡터 e(k)가 되며, J개의 감정을 사용한다면, 다음의 로봇의 감정 수학식1과 같이 나타낼 수 있다.

여기서, J는 기본 감정의 개수이고,

e_j는 j번째 기본 감정의 감정값이다.,

예를 들어 e₁=happiness, e₂=surprise, e₃=sadness, e₄=love 등 일 수 있다.

[]^T는 전치 행렬로 표현 방식이 하나이므로 삭제 가능하다.

3) 감정값군인 감정 분포

설정

감정 좌표계 상에 각 기본 감정에 대한 확률 분포를 배치한다. 각 기본 감정에 대한 확률 분포는 GMM(Gaussian Mixture Model)을 사용한다. 이를 이용하면, 각 기본 감정의 분포를 다이나믹하게 만들 수 있으며, 각 감정값을 독립적으로 계산할 수 있다. n차원 감정 좌표계에서 j번째 기본 감정에 대한 확률 분포(감정 분포, 감정값군)

는 다음의 수학식2와 같이 결정된다.

여기서, ω_j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드(Gaussian mode)의 가중치이고,

M_j(k)는 k시간에서 j번째 감정 분포가 가진 가우시안 모드의 수이며,

μ _j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드의 중앙값이고,

Σ _j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드의 bandwidth이며,

x(k)는 k시간에서의 감정 상태 입력값이다.

또한, 가우시안 모드는 하나의 가우스 곡선을 의미한다.

4) 감정값의 확률적 표현인

계산

각 감정값의 확률적 표현(확률값)은 Bayes' rule을 이용하여 수학식3과 같이 계산될 수 있다. 여기서 j번째 감정의 확률값인

는 posterior probability로 사용될 수 있다.

여기서,

는 likelihood function으로 사용될 수 있으며, P(e_j)는 e_j의 prior probability로 각 감정값이 선택될 수 있는 확률(감정값의 확률적 표현)이며, 각 감정값의 prior probability의 합은 1이다.

이상의 수학식1 내지 3에 따르면 J개의 기본 감정이 부여된 경우 J개의

를 가진 J차원의 감정 벡터 e(k)가 결정된다. e(k)는 J개의 감정값이 확률적 표현으로 반영된 복합 감정이 된다.

도 6은 본 발명의 로봇의 감정 생성 방법을 나타낸 흐름도이다.

먼저, 로봇에 부여된 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값을 갖는 감정값군을 상기 로봇의 감정 좌표계 상에 복수로 생성한다(S 510).

감정값군 생성부에서 이루어지는 동작으로 Gaussian Mixture Model(GMM)을 적용하여 감정값군을 생성할 수 있다. 이에 따르면 수학식2가 수행된 후 감정값군인

가 출력될 수 있다.

다음으로, 감정 좌표계 상에서 로봇의 감정 상태 입력값의 좌표가 나타내는 각 감정값군의 감정값의 집합을 로봇의 감정으로 생성한다(S 530).

감정 생성부에서 이루어지는 동작으로 집합의 감정값에 Bayes' rule을 적용하여 각 감정값이 확률적으로 표현되도록 더 변환할 수 있다. 이에 따르면 수학식3이 수행된 후 감정값의 확률적 표현인

가 출력될 수 있다.

한편, 도 6의 로봇의 감정 생성 방법은 컴퓨터로 읽을 수 있는 매체에 컴퓨터에 실행시키기 위한 프로그램으로 기록될 수 있다.

한편, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

로봇의 감정을 생성하는 장치에 적용할 수 있다.

특히, 다양한 감정 표현이 가능한 감정 표현 장치의 입력값을 생성하는데 이용될 수 있다.

110...감정값군 생성부 130...감정 생성부

Claims (9)

1. 로봇에 부여된 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값을 갖는 감정값군을 상기 로봇의 감정 좌표계 상에 복수로 생성하는 감정값군 생성부; 및
   상기 감정 좌표계 상에서 상기 로봇의 감정 상태 입력값의 좌표가 나타내는 상기 각 감정값군의 감정값의 집합을 상기 로봇의 감정으로 생성하는 감정 생성부;
   를 포함하는 로봇의 감정 생성 장치.
   
2. 제 1 항에 있어서,
   상기 감정값군은 상기 감정 상태 입력값을 기초로 생성되는 것을 특징으로 하는 로봇의 감정 생성 장치.
   
3. 제 1 항에 있어서,
   상기 기본 감정은 동일한 기본 감정을 복수개 갖고,
   상기 감정값군 생성부는 상기 동일한 기본 감정의 감정값군을 합성하여 하나의 감정값군을 형성하는 것을 특징으로 하는 로봇의 감정 생성 장치.
   
4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
   상기 집합의 감정값은 확률적으로 표현되는 것을 특징으로 하는 로봇의 감정 생성 장치.
   
5. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
   상기 감정값군은 상기 기본 감정의 좌표를 중심으로 하는 가우스 곡선을 형성하는 것을 특징으로 하는 로봇의 감정 생성 장치.
   
6. 제 5 항에 있어서,
   상기 로봇의 감정 e(k)는 다음의 수학식으로 표현되는 것을 특징으로 하는 로봇의 감정 생성 장치.
   

   

   
   여기서, J는 기본 감정의 개수이고,
   e_j는 j번째 기본 감정의 감정값이며,
   

   

   이고,
   

   

   로 likelihood function이며,
   

   

   
   

   

   
   이고,
   P(e_j)는 e_j의 prior probability로 각 감정값이 선택될 수 있는 확률이며,
   각 감정값의 prior probability의 합은 1이고,
   ω_j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드(Gaussian mode)의 가중치이며,
   M_j(k)는 k시간에서 j번째 감정 분포가 가진 가우시안 모드의 수이고,
   μ _j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드의 중앙값이며,
   Σ _j,m(k)는 k시간에서 j번째 감정 분포의 m번째 가우시안 모드의 bandwidth이고,
   x(k)는 k시간에서의 감정 상태 입력값이며,
   []^T는 전치 행렬이다.
   
7. 로봇에 부여된 기본 감정의 좌표로부터 멀어질수록 점점 감소하는 감정값을 갖는 감정값군을 상기 로봇의 감정 좌표계 상에 복수로 생성하는 단계; 및
   상기 감정 좌표계 상에서 상기 로봇의 감정 상태 입력값의 좌표가 나타내는 상기 각 감정값군의 감정값의 집합을 상기 로봇의 감정으로 생성하는 단계:
   를 포함하는 로봇의 감정 생성 방법.
   
8. 제 7 항에 있어서,
   상기 감정값군 생성 단계는 Gaussian Mixture Model(GMM)을 적용하여 상기 감정값군을 생성하고,
   상기 로봇의 감정 생성 단계는 상기 집합의 감정값에 Bayes' rule을 적용하여 각 감정값이 확률적으로 표현되도록 더 변환하는 것을 특징으로 하는 로봇의 감정 생성 방법.
   
9. 컴퓨터에 제 7 항 또는 제 8항의 로봇의 감정 생성 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 매체.

Images