In conversations between humans, not only the content of the utterances but also our social signals provide information on the state of communication. Similarly, in the field of human-robot interaction, we want the robots to have the capability of interpreting social signals given by human users. Such social signals can be operationalised in order to detect unexpected behaviours of robots. This thesis work aims to compare machine learning based methods to investigate robots’ recognition of their own unexpected behaviours based on human social signals. We trained support vector machine, random forest and logistic regression classifiers with a guided task human-robot interaction corpus that includes planned robot failures. We created features based on gaze, motion and facial expressions. We defined data points of different window lengths and compared effects of different robot embodiments. The results show that there is a promising potential in this field and also that the accuracy of this classification task depends on different variables that require careful tuning. ; I samtal mellan människor är det inte bara yttrandens innehåll utan också våra sociala signaler som bidrar till kommunikationstillståndet. Inom området människa-robot-interaktion vill vi på samma sätt att robotarna ska kunna tolka sociala signaler som ges av människor. Sådana sociala signaler kan utnyttjas för att upptäcka oväntade beteenden hos robotar. Detta examensarbete syftar till att jämföra maskininlärningsbaserade metoder för att undersöka robotars igenkänning av sina egna oväntade beteenden baserat på mänskliga sociala signaler. Vi tränade SVM, Random Forest- och Logistic Regression-klassificerare med en styrd människa-robot-interaktionskorpus som inkluderar planerade robotfel. Vi skapade attribut baserade på blick, rörelse och ansiktsuttryck. Vi definierade datapunkter med olika fönsterlängder och jämförde effekter av olika robotformer. Resultaten visar att det finns en lovande potential inom detta fält och att noggrannheten för denna ...


    Access

    Download


    Export, share and cite



    Title :

    Detecting Conversational Failures in Task-Oriented Human-Robot Interactions ; Upptäcka konversationsfel vid uppgiftsorienterade människa-robot-interaktioner


    Contributors:

    Publication date :

    2020-01-01


    Type of media :

    Theses


    Type of material :

    Electronic Resource


    Language :

    English



    Classification :

    DDC:    629