15、社交机器人的发展与信息敏感度研究

社交机器人的发展与信息敏感度研究

1. 社交机器人发展现状

社交机器人在日常生活中的应用前景广阔,但目前面临着一些挑战。其中,类人逼真机器人的成本是一个主要障碍。要想普及,这类机器人必须大量生产,但截至目前,由于生产成本过高,只有少数社交类人机器人存在。此外,它们还需要具备更强的功能和对环境及自身的感知能力。

机器人的外观也非常重要。在保险案例研究中,另一个社交机器人Pepper作为客户关系调解者的能力表现不佳,仅适合作为迎宾工具。而社交机器人Nadine因其逼真的人脸和行为,被认为足以处理保险事务,更值得信赖。在养老院,居民们与Nadine建立了一定的关系,并表达了对她的喜爱,因为她看起来美丽而自然。

未来,需要根据潜在客户的需求进行更多的研发。在社交机器人的外观方面,人们更倾向于与逼真的类人机器人互动,而不是金属机器人。同时,应该重新审视“恐怖谷效应”,因为社交机器人的行为和外观已经比过去有了更积极的表现。

2. 社交机器人研发挑战

社交机器人的研发仍面临诸多挑战。在技术方面,语音理解、多方交互和对环境的全局感知等方面需要进一步研究。在硬件方面,类人行走和抓取模块仍处于研究设计阶段。要想让社交机器人频繁出现在日常生活中,还需要几年时间。实现这一目标的关键因素包括社会对类人机器人的接受程度,以及它们是否能够符合道德规范和客户需求。

3. 调查研究背景

现代商业开始引入新颖且有吸引力的技术,以吸引客户并提高客户留存率。机器人技术在食品和饮料行业,特别是调酒场景中得到了应用。调酒场景的交互复杂,包括准备饮料、管理订单以及根据客户需求和偏好调整机器人行为等。有效的客户关系管理对于与用户的长期成功互

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方的例子。 简单的平方问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值