Page - 74 - in Pflegeroboter

74 K. Janowski et al. eine Belohnung oder Bestrafung. Beispielsweise benutzen Tapus et al. (2008) im Kon- text eines Therapieroboters für Schlaganfallpatienten bestärkendes Lernen, um das Ver- halten des Roboters entsprechend der Persönlichkeit und Performanz des Nutzers an sein Profil anzupassen. Dabei werden Introversion und Extraversion in der Sprache manipu- liert sowie die Geschwindigkeit des Roboters und der Abstand zum Nutzer, wobei die Belohnung von der Anzahl der vom Nutzer ausgeführten Übungen abhängt. Der Belohnung bzw. Bestrafung kommt hierbei eine Schlüsselrolle zu. Dieser posi- tive oder negative Zahlenwert ist die einzige Information, anhand derer der Roboter erkennen kann, ob sein gezeigtes Verhalten in der entsprechenden Situation zielführend ist oder nicht. Eine einfache, aber gleichzeitig auch sehr aufdringliche und unelegante Möglichkeit stellt zu diesem Zweck die explizite Befragung des Nutzers dar. Um dies zu umgehen, können einerseits aufgabenspezifische Informationen – wie im Falle von Tapus et al. (2008) die Anzahl der absolvierten Rehabilitationsübungen – herangezogen werden. Andererseits sind aber auch menschliche soziale Signale eine reiche Informations- quelle, um Wissen über den aktuellen Zustand der Person einfließen zu lassen und/oder die Belohnung abhängig von sozialen Hinweisreizen des Menschen zu gestalten, etwa menschliches Engagement (Ritsche 2017), taktiles (Barraquand und Crowley 2008) oder prosodisches (Kim und Scassellati 2007) Feedback, Blickverhalten (Mitsunaga et al. 2008), Lächeln (Leite et al. 2011; Gordon et al. 2016; Knight 2011) oder Lachen (Hayashi et al. 2008; Knight 2011; Katevas et al. 2015; Weber et al. 2018). Ein wichtiger Vorteil sozialer Signale ist hierbei der Fakt, dass diese unterbewusst und über die gesamte Zeit einer Interaktion auftreten, ohne dass der Mensch explizit befragt werden muss. Abb. 4.3 veranschaulicht diesen Ansatz: Während der Interaktion zwischen Mensch und Roboter sendet der Nutzer permanent soziale Signale aus, die sich beispielsweise in Form von Gestik, Mimik oder Blickverhalten äußern. Mithilfe geeigneter Sensoren (Mikrofone, Webcams, Microsoft Kinect, Gaze Tracker etc.) können diese in Form von Audio und Video wahrgenommen und mithilfe geeigneter Software ausgewertet wer- den. Die Signalverarbeitung stellt hierbei eine erste Hürde dar, schließlich unterliegen alle Sensoren physikalischen Beschränkungen. Die daraus extrahierte Information kann Abb. 4.3 Bestärkendes Lernen auf Basis sozialer Signale