共查询到13条相似文献,搜索用时 187 毫秒
1.
2.
3.
基于心理能量思想的人工情感模型 总被引:1,自引:0,他引:1
从人工情感建模的需要出发,根据动力心理学关于心理能量的理论,提出了情感能量的概念以及基于情感能量的情感状态的数学描述方法,建立了情感状态的能量分布描述空间和情感状态的概率描述空间。在此基础上,进一步分析了情绪状态的变化过程,并提出了情绪状态自发转移过程的马尔可夫链模型以及情绪状态刺激转移过程的隐马尔可夫模型。 相似文献
4.
机器人情感建模是研究情感机器人的热点问题。文中以情感心理学知识为基础,模拟具有不同个性的情感机器人在外界刺激作用下情感动态变化的过程,研究个性和外界刺激对情感转移过程的影响。采用基于状态空间的情感空间模型来描述机器人的情感状态,并用HMM过程来模拟情感状态的转移过程。但HMM过程只能求得当前情感状态的概率,为得到具体的情感状态,文中提出一种基于状态空间与概率空间映射的极大相似度匹配的情感转移模型。首先利用HMM过程计算出当前情感概率,然后通过极大相似度匹配来得到转移后具体的情感状态。通过调节模型参数来模拟不同个性和外界刺激,该模型能有效模拟情感状态变化过程。实验结果验证模型模拟的情感变化过程符合人类情感变化的一般规律。 相似文献
5.
6.
人与机器人的交互过程中,情感因素的引入能够使人机交流更加自然和谐.因此,完整的人工情感模型的建立是首要解决的问题.基于情感能量理论基础,首先,提出了心境自发转移和刺激转移模型.其次,结合情绪自发转移的马尔可夫链模型和刺激转移的HMM模型,将心境和情绪的自发和刺激转移过程统一在一个框架下.最后,将完整的人工情感模型软件化并应用于儿童玩伴机器人上,在接受非结构化环境与用户的信息输入后,个性化的情感软件模块产生输出,实现针对儿童用户的玩伴机器人个性化交互,通过应用验证了该模型的有效性. 相似文献
7.
8.
9.
10.
简化路况模式下驾驶员情绪模型的研究 总被引:1,自引:0,他引:1
驾驶辅助系统中的驾驶员模型较为单一, 没有考虑驾驶员的情绪状态对驾驶策略的影响. 为此, 本文研究了简化路况下驾驶员的情绪模型. 基于OCC (Ortony-clore-collins) 模型、情绪状态自发转移过程的马尔科夫模型和情绪状态刺激转移的隐马尔科夫模型(Hidden Markov model, HMM), 本文提出路况变化和无路况两种情况下的情绪模型, 并对驾驶员的跟驰、切换车道和超车过程中的情绪变化进行了研究. 在自发转移过程中, 结合情绪实时变化的特性, 提出了时变的自发转移过程,而在情绪刺激转移中, 考虑了情感对刺激的记忆效应, 即同种刺激先后对情感影响不同. 讨论了认知情感的变化对驾驶策略的影响. 针对车距、路宽和周围车辆车速对驾驶员的情感影响程度、刺激敏感程度以及特定事件对驾驶员的影响过程, 进行了仿真实验, 预估出驾驶员在特定事件刺激下会采取何种驾驶策略. 并进行了实测数据验证, 实验结果验证了所提出模型的有效性, 为驾驶辅助系统中建立驾驶员模型提供了有借鉴意义的基础理论. 相似文献
11.
12.
随着机器学习和大数据技术的应用发展,基于语义分析的情感计算与分析技术在研究人类的感知、注意力、记忆、决策、社会交流等诸多方面起着重大作用,它不仅影响到了人工智能技术的发展,还影响到了人/机交互的方式,并受到学术界以及企业界的广泛关注.本文在针对情感定义以及相关90多种情感模型分析的基础上,归纳并提出了目前情感分析领域中存在的6项关键性问题与挑战,其中主要包括:情感的来源与本质特征的表示问题;多模态条件下的情感计算问题;外部因素对情感演化过程的影响度量问题;情感的个性化度量问题;情感群体化特征与传播动力学机制问题以及细微情感的表达、算法改进与优化等问题.同时,本文针对其中的关键问题与技术挑战进行了理论探讨、技术分析、实际应用以及当前工作进展与趋势分析,从而为深入研究和解决基于语义分析条件下的情感计算提供了新的研究线索与方向. 相似文献
13.
多机器人系统(Multi Robot System,MRS)通过引入机器人个体情感因素,可以有效提高个体的自主协作能力、决策能力以及多机器人系统的整体智能化水平。然而,以往研究主要集中于个体情感状态(情绪、个性等),缺乏从团队情感层面来探索积极团队情感基调(Positive Group Affective Tone,PGAT)对团队协作能力和团队有效性的影响。为了发挥PGAT在任务分配中的积极作用,降低因为团队成员情绪衰减而导致团队解散的风险,并增加团队协作能力和团队有效性,提出了基于PGAT的情感机器人协作任务分配拍卖算法。仿真追捕对比实验表明,相对于基于焦虑情感模型的改进合同网协议多机器人任务分配算法和基于自主意识的分布式情感机器人任务分配算法,基于PGAT的情感机器人协作任务分配拍卖算法的追捕成功率分别提高了269.3%和6.5%,任务分配成功率分别提高了138.7%和5.1%,平均追捕时间分别缩短了14.5%和26.3%,并且在150场追捕对比实验中,追捕时间小于对比算法的场次占比分别达到87.3%和90.7%。 相似文献