为了增强人机交互基于声音识别情感

在推动人机交互（HRI）发展的进程中，情感识别与触觉手势解码占据着核心地位，特别是在以情感信号传递与触觉感知机制为核心的社会交往场景中。然而当前多数仿生机器人如Pepper、Nao及Furhat均存在全身触觉传感系统缺失的问题，这直接制约了其通过肢体接触实现情绪互动与手部动作解析的能力。值得注意的是基于视觉模态的情绪分析技术则普遍遭遇欧盟《通用数据保护条例》（GDPR）合规性方面的严峻考验——此类方案往往需要采集个体面部生物特征数据。针对上述双重技术瓶颈并兼顾隐私保护需求，本研究聚焦于探索通过捕捉接触过程中产生的声学信号，在HRI场景中实现触觉手势解析及情绪状态沿唤醒度与效价维度分类的可能性。基于28名受试者与Pepper仿生机器人开展的手势交互实验所获取的数据集，我们构建出一个仅包含0.24百万参数量、占用0.94MB存储空间且计算复杂度仅为0.7G FLOPs的纯音频驱动轻量化模型。实验证明该模型不仅具备优异的实时响应特性，在性能表现上可媲美业界知名的预训练音频神经网络架构（PANNs），但其计算资源消耗却显著低于后者——具体而言其参数规模缩减至1/356, 模型体积压缩至1/385, 计算量降低至1/656

一、引言

在先进人机交互系统（HRI）的发展进程中，实现机器人对触觉动作与情绪状态的识别具有关键意义，特别是在社交场景中显得尤为重要 [1]–[3]。通过即时