Seit einigen Jahren nimmt der Einsatz humanoider sozialer Roboter in verschiedenen Situationen zu. Dabei handelt es sich um Roboter, die für die Interaktion mit Menschen entwickelt wurden und mit entsprechenden Extremitäten ausgestattet sind. Sie unterstützen bereits menschliche Nutzer in verschiedenen Branchen, wie z. B. im Einzelhandel, in der Gastronomie, in Hotels, im Bildungswesen und im Gesundheitswesen. Bei solchen Szenarien der Mensch-Roboter-Interaktion (HRI) spielt die körperliche Berührung eine zentrale Rolle in den verschiedenen Anwendungen sozialer Roboter, da interaktives nonverbales Verhalten ein Schlüsselfaktor ist, um die Interaktion natürlicher zu gestalten. Händeschütteln ist eine einfache, natürliche Interaktion, die in vielen sozialen Kontexten üblich ist und als Symbol für Begrüßung, Verabschiedung und Glückwünsche gilt. Darüber hinaus ermöglicht das Händeschütteln aufgrund der langen Phase des Körperkontakts die Vermittlung komplexer Emotionen über den Tastsinn. Eine angemessene Antwort spielt daher eine wichtige Rolle bei der Verbesserung der Natürlichkeit der Interaktion. Darüber hinaus führt eine rechtzeitige Reaktion auch zu einer natürlicheren Interaktion, bei der der Roboter die Bewegungen des menschlichen Partners vorhersagen und seine Bewegungen entsprechend anpassen kann. Die Modellierung der Dynamik solcher Interaktionen ist ein Schlüsselaspekt der Mensch-Roboter-Interaktion.

In diesem Zusammenhang liegt der Schwerpunkt dieser Arbeit darauf, zu verstehen, wie ein solches physisches Interaktionsverhalten eine Interaktion mit einem sozialen Roboter beeinflusst. Die Beiträge dieser Arbeit sind wie folgt. Zunächst führen wir eine gründliche Analyse bestehender Arbeiten zum Thema Mensch-Roboter-Handshake durch und untersuchen die Modellierungsaspekte für die Realisierung eines effektiven Handshakes sowie soziale Aspekte wie die Akzeptanz solcher Verhaltensweisen, Hilfselemente wie Blick- oder Annäherungsbewegungen, Menschenähnlichkeit usw. Diese Erkenntnisse fließen dann in ein neuartiges Framework ein, um einen zeitnahen, adaptiven und sozial akzeptablen Händedruck auf einem humanoiden sozialen Roboter zu realisieren. Anschließend untersuchen wir, wie diese modularisierte Form des Lernens zu einem allgemeinen Rahmen für das Lernen koordinierter Mensch-Roboter-Interaktion erweitert werden kann. Wir validieren die Wirksamkeit des vorgeschlagenen Rahmens durch umfangreiche experimentelle Auswertungen mit menschlichen Benutzern, die mit einem humanoiden sozialen Roboter interagieren, der mit unseren Ansätzen ausgestattet ist.

In einem ersten Schritt wird der aktuelle Stand der Mensch-Roboter-Handshaking-Forschung untersucht und die Arbeiten werden nach ihren Schwerpunkten kategorisiert. Anschließend werden die wichtigsten Erkenntnisse aus diesen Bereichen herausgearbeitet und ihre Fallstricke analysiert. Es zeigt sich vor allem, dass die Synchronisation in den verschiedenen Phasen der Interaktion entscheidend ist. Zusätzliche Faktoren wie Blicke, Stimme, Mimik usw. können die Wahrnehmung eines Roboter-Handschlags beeinflussen, ebenso wie interne Faktoren wie Persönlichkeit und Stimmung, die sich auf die Art und Weise auswirken können, wie das Handshake-Verhalten von Menschen ausgeführt wird. Basierend auf den Erkenntnissen und Einsichten werden mögliche Wege für die zukünftige Forschung zu solchen physisch interaktiven Verhaltensweisen diskutiert.

Im Falle des Händeschüttelns und anderer ähnlicher physisch interaktiver Verhaltensweisen führt eine rechtzeitige Reaktion zu einer natürlicheren Interaktion, bei der der Roboter in der Lage ist, die Bewegungen des menschlichen Partners vorherzusagen und seine Bewegung entsprechend anzupassen. Die Modellierung der Dynamik solcher Interaktionen ist ein Schlüsselaspekt der Mensch-Roboter-Interaktion. In dieser Arbeit wird ein Rahmen für Roboter entwickelt, um solche Interaktionen direkt von Mensch-Mensch-Interaktionen zu lernen, und zwar auf modulare Weise, indem die Interaktionen in ihre zugrundeliegenden Segmente zerlegt werden und die Abfolge zwischen ihnen gelernt wird. Dazu verwenden wir Hidden Markov Modelle, um die Interaktionsdynamik über die latenten Einbettungen zu modellieren, die von einem Variational Autoencoder gelernt werden. Wir zeigen, wie die aus Mensch-Mensch-Interaktionen gelernte Interaktionsdynamik dazu beitragen kann, das Lernen von Robotertrajektorien zu regulieren, und wir untersuchen die bedingte Generierung von Roboterbewegungen aus menschlichen Beobachtungen, um das Lernen geeigneter und genauer Mensch-Roboter-Interaktionen zu ermöglichen. Darüber hinaus untersuchen wir, wie die generierten Bewegungen für ein räumlich genaues und nachgiebiges Handshaking-Verhalten angepasst werden können, was zu einem höheren Grad an Akzeptanz durch menschliche Benutzer führt.

Wir untersuchen weiter, wie die Leistung der reaktiven Bewegungsgenerierung verbessert werden kann, indem wir die Lücke im vorgeschlagenen Rahmenwerk schließen, indem wir die Konditionierung der HMMs auf prinzipiellere Weise in die VAEs integrieren. Zu diesem Zweck zeigen wir, wie sich Mixture Density Networks als eine Erweiterung der zugrunde liegenden HMM-Konditionierung ergeben. Eine solche Struktur ermöglicht es dem Modell, die komplexe und multimodale Natur des menschlichen Verhaltens zu erfassen. Wir zeigen, wie der vorgeschlagene Rahmen die Vorhersage der reaktiven Bewegungserzeugung verbessern kann, indem er mehrere latente Strategien erlernt, die in Kombination die Erzeugung genauerer Interaktionen ermöglichen.

Zusammenfassend kann man sagen, dass die Ziele dieser Arbeit folgende sind: (i) den Akt des Händeschüttelns im Rahmen der physischen Mensch-Roboter-Interaktion weiter zu untersuchen, (ii) einen Rahmen zu entwickeln, der eine Bibliothek solcher physisch interaktiven Verhaltensweisen erlernen kann, um die sozialen Fähigkeiten eines Roboters zu erweitern und (iii) zu untersuchen, wie die Genauigkeit der Erzeugung realistischer und natürlicher interaktiver Verhaltensweisen verbessert werden kann.