Active Transfer Learning of Human-Robot Personalized Proxemics Using Augmented Reality and Representative Sampling

Personal service robots are gradually penetrating our daily lives with tasks ranging from offering companionship and entertainment and assisting with completing daily tasks to providing physical, mental, and social support. Personal Service robots need to approach users in a variety of different tasks. Thus, they need to respect a user’s personal space. Being respectful of others’ personal space is a highly complex social skill. In particular, the space that a person keeps from a robot is influenced by a myriad of different factors that can be dependant on different people, robots, or contexts. This work presents the implementation of a personalizable context-aware system aimed at predicting users’ personal space in a human-robot interaction. The system can gather people’s proxemics pref- erences with minimal setup through an Augmented Reality interface. Proxemics preferences are sampled through an Active Transfer Learning approach and used to fine-tune an existing deep-learning model. We evaluated the system with (i) a pilot, made with a target population of older adults, to verify the application’s usability (N = 15) and (ii) a study with a convenience population to test the effectiveness of the Active Transfer Learning approach. The system’s usability is deemed accept- able as over 75% of the pilot’s participants rate it as at least "Ok." The study’s outcome confirms a significant improvement in model performance after fine-tuning with samples gathered through Active Transfer Learning. On average, fine-tuning the general model with samples gathered through Active Transfer Learning lowered the error in testing by 24.10%, a significant result over fine-tuning with randomly sampled data which only reduced the error by 10.55%.

robot per assistenza personale stanno gradualmente penetrando nella nostra vita quotidiana con compiti che vanno dall’offerta di compagnia e intrattenimento all’assistenza nel completamento delle attività quotidiane, fino alla fornitura di supporto fisico e mentale. I robot per assistenza personale devono avvicinarsi agli utenti per svolgere una serie di compiti diversi. Pertanto, devono rispettare lo spazio personale dell’utente. Il rispetto dello spazio personale degli altri è un’abilità sociale molto complessa. In particolare, lo spazio che una per- sona mantiene rispetto a un robot può cambiare da diverse persone, robot e contesti. Questo lavoro presenta l’implementazione di un sistema personalizzabile, robusto a diversi contesti, volto a prevedere lo spazio personale degli utenti in un’interazione uomo-robot. Il sistema può raccogliere le preferenze prossemiche delle persone con un tempo configurazione minimo attraverso un’interfaccia di realtà aumentata. Le preferenze prossemiche sono campionate attraverso un approccio di apprendimento attivo per trasferimento e utilizzate per adattare un mod- ello di reti neurali. Abbiamo valutato il sistema con (i) un esperimento pilota, realizzato con una popolazione di riferimento anziani, per verificare l’usabilità dell’applicazione (N = 15) e (ii) uno studio con una popolazione di convenienza per testare l’efficacia dell’approccio Active Transfer Learning. L’usabilità del sistema è ritenuta accettabile, in quanto oltre il 75% dei partecipanti all’ esperimento pilota la giudica almeno "ok". I risultati dello studio confermano un miglioramento significativo delle prestazioni del modello dopo l’adattamento con i campioni raccolti attraverso l’Active Transfer Learning. In media, l’adattamento del modello generale con campioni raccolti attraverso l’Active Transfer Learning ha ridotto l’errore nei test del 24,10%, un risultato significativo rispetto all’adattamento con dati campionati in maniera casuale, che ha ridotto l’errore solo del 10,55%.