恐怖谷！哥大華人開(kāi)發(fā)「人臉機(jī)器人」，照鏡子自主模仿人類表情超逼真

【導(dǎo)讀】OpenAI機(jī)器人理解力雖強(qiáng)，卻無(wú)法進(jìn)行非語(yǔ)言交流。最近，哥倫比亞大學(xué)華人團(tuán)隊(duì)打造了全新的機(jī)器人Emo，不僅可以提前預(yù)測(cè)和模擬人類表情，還可以進(jìn)行眼神交流。

此前，人形機(jī)器人Ameca「大夢(mèng)初醒」的神情，已讓許多人感受到了真正的「恐懼」。

隨著ChatGPT橫空出世，得到加持的人形機(jī)器人雖擅長(zhǎng)語(yǔ)言交流，但是在非語(yǔ)言交流，特別是面部表情，還差得很遠(yuǎn)。

未來(lái)，如果人類真的要生活在一個(gè)充滿機(jī)器人的世界之中，機(jī)器人必須要有像人類一樣能自主通過(guò)面部表情獲取人類的信任的能力。

顯然，設(shè)計(jì)一款不僅能做出各種面部表情，還能知道何時(shí)表現(xiàn)的機(jī)器人，一直是一項(xiàng)艱巨的任務(wù)。

來(lái)自哥倫比亞大學(xué)工程學(xué)院的創(chuàng)新機(jī)器實(shí)驗(yàn)室，5年來(lái)一直致力于這一挑戰(zhàn)。

最近，研究團(tuán)隊(duì)推出了一款機(jī)器人Emo——能夠預(yù)測(cè)人類面部表情，并與人類同時(shí)做出表情。

最新研究已發(fā)表在Science子刊上。

論文地址：https://www.science.org/doi/10.1126/scirobotics.adi4724

Emo的自我監(jiān)督學(xué)習(xí)框架，就像人類照鏡子來(lái)練習(xí)面部表情。

有趣的是，Emo甚至學(xué)會(huì)了在一個(gè)人微笑前840毫秒提前預(yù)測(cè)，并同時(shí)與人類一起微笑。

這種快速及時(shí)的表情回應(yīng)，能讓人類感受到機(jī)器人的真誠(chéng)和被理解的感覺(jué)。

而且，它還可以做出眼神互動(dòng)。

Emo如何能夠做到精準(zhǔn)預(yù)測(cè)人類表情？

人機(jī)交互革命正來(lái)臨

由Hod Lipson帶領(lǐng)的研究團(tuán)隊(duì)稱，在開(kāi)發(fā)機(jī)器人Emo之前，需要解決兩大挑戰(zhàn)。

首先是硬件方面，如何機(jī)械地設(shè)計(jì)一個(gè)涉及復(fù)雜硬件和驅(qū)動(dòng)機(jī)制，且具有表現(xiàn)力的多功能機(jī)器人人臉。

另一方面，就是設(shè)計(jì)好的機(jī)器人臉，需要知道生成哪種表情，讓其看起來(lái)自然、及時(shí)和真實(shí)。

而且更進(jìn)一步，研究小組還希望訓(xùn)練機(jī)器人能夠預(yù)測(cè)人類的面部表情，并與人同時(shí)做出這些表情。

具體來(lái)說(shuō)，Emo臉部配備了26個(gè)執(zhí)行器，可以呈現(xiàn)出多種多樣的微妙面部表情。

在執(zhí)行器之外，Emo的臉使用了硅膠皮設(shè)計(jì)，方便快速定制和維護(hù)。

為了進(jìn)行更加逼真的互動(dòng)，研究人員為機(jī)器人的眼睛配備了高分辨率攝像頭。

因此Emo還可以做到眼神交流，這也是非語(yǔ)言交流中重要的一部分。

此外，研究小組還開(kāi)發(fā)了兩個(gè)人工智能模型：一個(gè)是通過(guò)分析目標(biāo)面部的細(xì)微變化來(lái)預(yù)測(cè)人類的面部表情，另一個(gè)使用相應(yīng)的面部表情生成運(yùn)動(dòng)指令。

為了訓(xùn)練機(jī)器人如何做出面部表情，研究人員將Emo放在相機(jī)前，讓它做隨機(jī)的動(dòng)作。

幾個(gè)小時(shí)后，機(jī)器人學(xué)會(huì)了他們的面部表情和運(yùn)動(dòng)指令之間的關(guān)系。

團(tuán)隊(duì)將其稱為「自我建模」，與人類想象自己做出特定表情的樣子。

然后，研究小組為Emo播放了人類面部表情的視頻，通過(guò)逐幀觀察并學(xué)習(xí)。

經(jīng)過(guò)幾個(gè)小時(shí)的訓(xùn)練后，Emo可以通過(guò)觀察人們面部的微小變化，來(lái)預(yù)測(cè)他們的面部表情。

這項(xiàng)研究主要作者Yuhang Hu表示，「我認(rèn)為，準(zhǔn)確預(yù)測(cè)人類面部表情是人機(jī)交互（HRI）的一場(chǎng)革命。傳統(tǒng)上，機(jī)器人的設(shè)計(jì)并不考慮人類在交互過(guò)程中的表情」。

「現(xiàn)在，機(jī)器人可以整合人類的面部表情作為反饋。當(dāng)機(jī)器人與人實(shí)時(shí)進(jìn)行共同表達(dá)時(shí)，不僅提高了交互質(zhì)量，還有助于在人類和機(jī)器人之間建立信任。未來(lái)，在與機(jī)器人互動(dòng)時(shí)，它會(huì)像真人一樣，觀察和解讀你的面部表情」。

接下來(lái)，一起看看Emo背后設(shè)計(jì)的具體細(xì)節(jié)。

技術(shù)介紹

Emo 配備了26個(gè)執(zhí)行器（下圖），提供了更高的面部自由度，可以做出不對(duì)稱的面部表情。

(1 和 2) 用磁鐵連接的連桿控制眉毛。(3) 上眼瞼。(4) 下眼瞼。(5) 眼球連桿。(6) 眼球框架。(7) 相機(jī)

(8至10和13) 口形被動(dòng)連桿機(jī)構(gòu)。(11 和 12）二維五桿機(jī)制（2D five-bar mechanism）的連桿。

Emo設(shè)計(jì)的主要區(qū)別之一是使用直接連接的磁鐵來(lái)使可更換的面部皮膚變形。這種方法可以更精確地控制面部表情。

此外，Emo的眼睛內(nèi)嵌攝像頭，可實(shí)現(xiàn)仿人視覺(jué)感知。

這些高分辨率的 RGB（紅、綠、藍(lán)）攝像頭，每只眼睛的瞳孔內(nèi)都有一個(gè)，增強(qiáng)了機(jī)器人與環(huán)境互動(dòng)的能力，并能更好地預(yù)測(cè)對(duì)話者的面部表情。

眼睛模塊控制眼球、眉毛和眼瞼的運(yùn)動(dòng)，如上圖所示。

每個(gè)眼框都裝有一個(gè)高分辨率 RGB 攝像頭。眼框分別由兩個(gè)電機(jī)通過(guò)平行四邊形機(jī)構(gòu)在俯仰和偏航兩個(gè)軸上驅(qū)動(dòng)。

這種設(shè)計(jì)的優(yōu)點(diǎn)是在眼框中央創(chuàng)造了更多空間，使研究人員能夠?qū)z像頭模塊安裝在與人類瞳孔相對(duì)應(yīng)的自然位置。

這種設(shè)計(jì)有利于機(jī)器人與人類進(jìn)行更自然的面對(duì)面互動(dòng)。

它還能實(shí)現(xiàn)正確自然的注視，這是近距離非語(yǔ)言交流的一個(gè)關(guān)鍵元素。

除了這些硬件升級(jí)外，研究人員還引入了一個(gè)由兩個(gè)神經(jīng)網(wǎng)絡(luò)組成的學(xué)習(xí)框架——一個(gè)用于預(yù)測(cè)Emo自身的面部表情（自我模型），另一個(gè)用于預(yù)測(cè)對(duì)話者的面部表情（對(duì)話者模型）。

研究人員的軟皮人臉機(jī)器人有23個(gè)專用于控制面部表情的電機(jī)和3個(gè)用于頸部運(yùn)動(dòng)的電機(jī)。

整個(gè)面部皮膚由硅膠制成，并用30塊磁鐵固定在機(jī)器人面部之上。

機(jī)器人面部皮膚可以更換成其他設(shè)計(jì)，以獲得不同的外觀和皮膚材質(zhì)。

研究人員還提出了一個(gè)升級(jí)版逆向模型，可使機(jī)器人在相同的計(jì)算硬件上生成電機(jī)指令的速度比上一代產(chǎn)品快五倍以上。

他們提出了一種自我監(jiān)督學(xué)習(xí)過(guò)程，以訓(xùn)練研究人員的面部機(jī)器人在沒(méi)有明確的動(dòng)作編排和人類標(biāo)簽的情況下生成人類面部表情。

控制機(jī)器人的傳統(tǒng)方法依賴于運(yùn)動(dòng)學(xué)方程和模擬，但這只適用于具有已知運(yùn)動(dòng)學(xué)的剛體機(jī)器人。

機(jī)器人有柔軟的可變形皮膚和幾個(gè)帶有四個(gè)套筒關(guān)節(jié)的被動(dòng)機(jī)構(gòu)，因此很難獲得機(jī)器人運(yùn)動(dòng)學(xué)的運(yùn)動(dòng)方程。

研究人員利用基于視覺(jué)的自我監(jiān)督學(xué)習(xí)方法克服了這一難題，在這種方法中，機(jī)器人可以通過(guò)觀察鏡子中的自己來(lái)學(xué)習(xí)運(yùn)動(dòng)指令與所產(chǎn)生的面部表情之間的關(guān)系。

機(jī)器人的面部表情由19個(gè)電機(jī)控制，其中18個(gè)電機(jī)對(duì)稱分布，一個(gè)電機(jī)控制下頜運(yùn)動(dòng)。

在研究人員的案例中，面部數(shù)據(jù)集中的表情都是對(duì)稱的；

因此，對(duì)稱分布的電機(jī)在控制機(jī)器人時(shí)可以共享相同的電機(jī)指令。

因此，實(shí)際的控制指令只需要11個(gè)歸一化為 [0, 1] 范圍的參數(shù)。

面部反演模型是利用機(jī)器人自身生成的數(shù)據(jù)集（下圖）進(jìn)行訓(xùn)練的，其中包括電機(jī)指令和由此產(chǎn)生的面部地標(biāo)。

研究人員以自我監(jiān)督的方式，通過(guò)隨機(jī)的 「電機(jī)咿呀學(xué)語(yǔ) 」過(guò)程收集數(shù)據(jù)。在將指令發(fā)送到控制器之前，該過(guò)程會(huì)自動(dòng)刪除可能會(huì)撕裂面部皮膚或?qū)е伦耘鲎驳碾姍C(jī)指令。

在伺服電機(jī)到達(dá)指令定義的目標(biāo)位置后，研究人員使用RGB攝像頭捕捉機(jī)器人的面部圖像，并提取機(jī)器人的面部地標(biāo)。

通過(guò)將自我模型和預(yù)測(cè)對(duì)話者模型相結(jié)合，機(jī)器人可以執(zhí)行協(xié)同表達(dá)。

研究人員還開(kāi)發(fā)了一個(gè)預(yù)測(cè)模型，它可以實(shí)時(shí)預(yù)測(cè)對(duì)話者的目標(biāo)面部表情。

為使機(jī)器人能及時(shí)做出真實(shí)的面部表情，它必須提前預(yù)測(cè)面部表情，使其機(jī)械裝置有足夠的時(shí)間啟動(dòng)。

為此，研究人員開(kāi)發(fā)了一個(gè)預(yù)測(cè)面部表情模型，并使用人類表情視頻數(shù)據(jù)集對(duì)其進(jìn)行了訓(xùn)練。該模型能夠根據(jù)一個(gè)人面部的初始和細(xì)微變化，預(yù)測(cè)其將要做出的目標(biāo)表情。

首先，研究人員使用每組面部地標(biāo)與每個(gè)視頻中初始（「靜止」）面部表情的面部地標(biāo)之間的歐氏距離來(lái)量化面部表情動(dòng)態(tài)。

研究人員將靜止面部地標(biāo)定義為前五幀的平均地標(biāo)，目標(biāo)面部地標(biāo)則定義為與靜止面部地標(biāo)差異最大的地標(biāo)。

靜態(tài)面部地標(biāo)的歐氏距離與其他幀的地標(biāo)的歐氏距離會(huì)不斷變化，并且可以區(qū)分。

因此，研究人員可以通過(guò)地標(biāo)距離相對(duì)于時(shí)間的二階導(dǎo)數(shù)來(lái)計(jì)算表情變化的趨勢(shì)。

研究人員將表情變化加速度最大時(shí)的視頻幀作為 「激活峰值」。

為了提高準(zhǔn)確性并避免過(guò)度擬合，研究人員通過(guò)對(duì)周圍幀的采樣來(lái)增強(qiáng)每個(gè)數(shù)據(jù)。

具體來(lái)說(shuō)，在訓(xùn)練過(guò)程中，預(yù)測(cè)模型的輸入是從峰值激活前后總共九幀圖像中任意抽取四幀圖像。

同樣，標(biāo)簽也是從目標(biāo)臉部之后的四幀圖像中隨機(jī)取樣的。

數(shù)據(jù)集共包含45名人類參與者和970個(gè)視頻。其中80%的數(shù)據(jù)用于訓(xùn)練模型，其余數(shù)據(jù)用于驗(yàn)證。

研究人員對(duì)整個(gè)數(shù)據(jù)集進(jìn)行了分析，得出人類通常做出面部表情所需的平均時(shí)間為0.841 ± 0.713秒。

預(yù)測(cè)模型和逆向模型（僅指研究人員論文中使用的神經(jīng)網(wǎng)絡(luò)模型的處理速度）在不帶 GPU 設(shè)備的 MacBook Pro 2019上的運(yùn)行速度分別約為每秒 650 幀（fps）和 8000 幀（fps）。

這一幀頻還不包括數(shù)據(jù)捕獲或地標(biāo)提取時(shí)間。

研究人員的機(jī)器人可以0.002秒內(nèi)成功預(yù)測(cè)目標(biāo)人類面部表情并生成相應(yīng)的電機(jī)指令。這一時(shí)間留給捕捉面部地標(biāo)和執(zhí)行電機(jī)指令以在實(shí)體機(jī)器人面部生成目標(biāo)面部表情的時(shí)間約為0.839秒。

為了定量評(píng)估預(yù)測(cè)面部表情的準(zhǔn)確性，研究人員將研究人員的方法與兩個(gè)基線進(jìn)行了比較。

第一種基線是在逆模型訓(xùn)練數(shù)據(jù)集中隨機(jī)選擇一張圖片作為預(yù)測(cè)對(duì)象。

該基線的數(shù)據(jù)集包含大量由咿呀學(xué)語(yǔ)產(chǎn)生的機(jī)器人表情圖片。

第二條基線是模仿基線，它選擇激活峰值處的面部地標(biāo)作為預(yù)測(cè)地標(biāo)。如果激活峰值接近目標(biāo)臉部，那么該基線與研究人員的方法相比就很有競(jìng)爭(zhēng)力。

然而，實(shí)驗(yàn)結(jié)果表明，研究人員的方法優(yōu)于這一基線，表明預(yù)測(cè)模型通過(guò)歸納面部的細(xì)微變化，而不是簡(jiǎn)單地復(fù)制最后輸入幀中的面部表情，成功地學(xué)會(huì)了預(yù)測(cè)未來(lái)的目標(biāo)面部。

圖4B顯示了對(duì)預(yù)測(cè)模型的定量評(píng)估。

研究人員計(jì)算了預(yù)測(cè)地標(biāo)與地面實(shí)況地標(biāo)之間的平均絕對(duì)誤差，地面實(shí)況地標(biāo)由維度為113×2的人類目標(biāo)面部地標(biāo)組成。

表格結(jié)果（表S2）表明，研究人員的方法優(yōu)于兩種基線方法，表現(xiàn)出更小的平均誤差和更小的標(biāo)準(zhǔn)誤差。

Emo下一步：接入大模型

有了能夠模擬預(yù)測(cè)人類表情的能力之后，Emo研究的下一步便是將語(yǔ)言交流整合到其中，比如接入ChatGPT這樣的大模型。

隨著機(jī)器人的行為能力越來(lái)越像人類，團(tuán)隊(duì)也將關(guān)注背后倫理問(wèn)題。

研究人員表示，通過(guò)發(fā)展能夠準(zhǔn)確解讀和模仿人類表情的機(jī)器人，我們正在向機(jī)器人可以無(wú)縫地融入我們的日常生活的未來(lái)更近一步，為人類提供陪伴、幫助。

想象一下，在這個(gè)世界，與機(jī)器人互動(dòng)就像與朋友交談一樣自然和舒適。

作者介紹

Yuhang Hu（胡宇航）是這篇論文的通訊作者。

目前，他是哥倫比亞大學(xué)的博士生，專注于機(jī)器人和機(jī)器學(xué)習(xí)的研究。

最后，一起來(lái)看看Emo的介紹視頻。