具有手势响应能力和音乐伴奏的交互式多机器人集群行为

《ACM Transactions on Human-Robot Interaction》：Interactive Multi-Robot Flocking with Gesture Responsiveness and Musical Accompaniment

多机器人系统通过动态表达和手势交互实现人类参与式协作，结合机器学习与艺术创作优化机器人行为，实验表明不同权重模式对用户感知影响不显著。

　　随着机器人技术的不断发展，它们的应用场景已从传统的商业和研究环境扩展到人们的日常生活中。这一转变不仅带来了技术上的挑战，也催生了新的研究方向，如社会任务，包括参与和娱乐等。本研究致力于构建一个机器人任务，其主要目标是吸引人类的注意力，激发其兴趣，并促使人类参与动态、富有表现力的机器人群体互动。为了实现这一目标，研究团队开发了机器人运动算法和多种互动模式，如手势和声音响应。这些贡献包括：（1）一种涉及人类和机器人代理的新型群体导航算法，（2）一种实时、人类-机器人群体互动的手势响应算法，（3）一种用于修改群体行为的权重模式选择系统，（4）一种将编舞者偏好编码到动态、自适应学习系统中的方法。实验结果显示，参与者对体验的感知并未受到权重模式选择的影响。本研究揭示了不同的任务目标，如参与感，如何在多机器人系统的设计和执行中体现，并拓宽了多机器人任务的应用领域。

在传统机器人研究中，多机器人系统（MRSs）通常用于解决需要复杂协作或高风险的场景，如监控、搜救、觅食、群体形成和探索等。随着机器人进入日常环境，社会互动的重要性逐渐上升。人类与机器人的互动模式，如手势响应，成为研究的重点。研究团队发现，通过手势控制多个机器人可以增强人类的参与感和互动体验。此外，手势不仅可以用来指挥机器人，还能激发机器人产生特定的反应，如改变灯光颜色、执行特定动作等。这些响应不仅提高了互动性，也增强了参与者的体验。

为了进一步提升机器人互动的多样性和吸引力，研究团队引入了多个额外的运动模式，如“跟随”、“线性”、“圆形”和“边界规避”。这些模式在不同条件下改变了机器人的行为，使其能够适应不同的交互需求。例如，“跟随”模式使得机器人能够根据人类的位置和动作进行调整，而“线性”模式则促使机器人沿着平行线移动。此外，团队还设计了一种基于机器学习的权重模式选择系统，以模拟编舞者的行为，从而实现更加自然和富有表现力的机器人互动。

在实验设计方面，团队设置了三种不同的条件：由编舞者选择的权重模式、由学习模型预测的权重模式，以及固定的控制条件。参与者在每种条件下与机器人互动，并完成感知调查。实验结果显示，参与者对机器人的感知并未受到条件变化的影响，这表明机器人在日常环境中的表现可能更受整体体验的影响，而非具体的运动模式。此外，团队发现，参与者普遍认为机器人在不同条件下都具有一定的吸引力和表现力，这为未来研究提供了新的方向。

为了增强机器人的表现力，研究团队还设计了一种将音乐元素融入机器人运动的“音乐模式”。该模式将机器人的运动转化为声音，使得机器人不仅能够通过视觉吸引人类，还能通过听觉增强互动体验。实验结果显示，这种音乐模式在不同条件下都得到了参与者的积极反馈，进一步验证了机器人在日常环境中的社会性和艺术性。

在系统设计方面，研究团队开发了一套软件架构，包括多个子系统，如头部控制器、手臂服务、基础运动服务和音乐模式。这些子系统协同工作，使得机器人能够根据环境和人类的反馈进行调整。例如，头部控制器能够根据人类的姿势和动作调整机器人的视线方向，而手臂服务则负责执行编排的动作。这些设计不仅提高了机器人的互动能力，也增强了其表现力。

在实验过程中，团队还收集了参与者的反馈，包括定量调查和定性描述。定量调查结果显示，参与者对机器人的感知在不同条件下基本一致，而定性描述则提供了更丰富的见解。参与者普遍认为机器人在互动中表现出一定的社会性和艺术性，尽管在某些情况下，如机器人过于聚集或回避时，参与者感到不适。

未来的研究方向包括进一步优化手势互动，使其能够映射到不同的权重模式或学习行为，以及调整音乐模式以改变整体体验。此外，团队计划在更多公共场合展示这一系统，以研究不同人群在群体机器人互动中的反应。这些努力不仅推动了机器人技术的发展，也拓展了其在艺术和娱乐领域的应用前景。