An Interactive Augmented Reality Interface for Personalized Proxemics Modeling

要約

個人空間の好みを理解し尊重することは、高齢の成人ユーザー向けに設計された社会支援ロボットにとって不可欠です。
この研究では、人間とロボットの対話中にユーザーのプロクセミックスの好みをモデル化するための、新しいパーソナライズされたコンテキスト認識手法を導入し、評価します。
インタラクティブな拡張現実インターフェイスを使用して、ロボットからユーザーが好む一連の距離を収集し、アクティブ転移学習アプローチを採用して特殊な深層学習モデルを微調整しました。
私たちはこのアプローチを 2 つのユーザー調査を通じて評価しました。1) 能動的転移学習アプローチの有効性を検証するための利便性母集団調査 (N = 24)。
2) システムの使いやすさを評価するための、高齢者 (N = 15) を対象としたユーザー調査。
私たちは、拡張現実インターフェースと物理ロボットで収集したデータを比較し、仮想ロボットと物理的に具現化されたロボットの近接嗜好の関係を調べました。
微調整によりモデルのパフォーマンスが大幅に向上することがわかりました。微調整後、テストの誤差は平均して 26.97% 減少しました。
このシステムは高齢者の参加者に好評で、今後の取り組みに向けた貴重なフィードバックや提案が得られました。

要約(オリジナル)

Understanding and respecting personal space preferences is essential for socially assistive robots designed for older adult users. This work introduces and evaluates a novel personalized context-aware method for modeling users’ proxemics preferences during human-robot interactions. Using an interactive augmented reality interface, we collected a set of user-preferred distances from the robot and employed an active transfer learning approach to fine-tune a specialized deep learning model. We evaluated this approach through two user studies: 1) a convenience population study (N = 24) to validate the efficacy of the active transfer learning approach; and 2) a user study involving older adults (N = 15) to assess the system’s usability. We compared the data collected with the augmented reality interface and with the physical robot to examine the relationship between proxemics preferences for a virtual robot versus a physically embodied robot. We found that fine-tuning significantly improved model performance: on average, the error in testing decreased by 26.97% after fine-tuning. The system was well-received by older adult participants, who provided valuable feedback and suggestions for future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google