AFFECT-HRI: A Comprehensive Human-Robot Interaction Dataset

AFFECT-HRI: A Comprehensive Human-Robot Interaction Dataset

El artículo identifica una brecha crítica en la investigación actual sobre computación afectiva, donde los conjuntos de datos existentes suelen ser inadecuados para aplicaciones robóticas prácticas debido a la falta de dinámicas del mundo real y a la escasez de datos abiertos. En particular, la ausencia de conjuntos de datos públicamente disponibles que contengan métricas fisiológicas etiquetadas dificulta el desarrollo de sistemas robustos de reconocimiento de emociones para la interacción humano-robot. Esta limitación impide que los investigadores modelen con precisión el afecto humano en escenarios complejos y realistas, lo que frena el progreso en la creación de agentes robóticos receptivos y empáticos. Para abordar este desafío, el estudio presenta el conjunto de datos AFFECT-HRI, el primer recurso abierto e integral que incluye datos fisiológicos etiquetados con afecto humano en el contexto de la interacción humano-robot. Al combinar evaluaciones subjetivas con datos objetivos de sensores procedentes de un escenario comercial realista, este recurso proporciona la verdad fundamental necesaria para entrenar y validar algoritmos de reconocimiento de emociones. La inclusión de diversas condiciones, como escenarios morales y de responsabilidad legal, permite una comprensión matizada de cómo diferentes tipos de interacción influyen en las emociones del usuario, ofreciendo una base más rica para la investigación interdisciplinaria en psicología, derecho y ciencias de la computación. Esta contribución es altamente relevante para las iniciativas de datos abiertos, ya que democratiza el acceso a datos multimodales de alta calidad que anteriormente estaban confinados a grupos de investigación propietarios o inaccesibles. Al hacer que estas señales fisiológicas etiquetadas estén disponibles públicamente, el conjunto de datos empodera a la comunidad científica en su conjunto para avanzar en las tecnologías de la computación afectiva sin los costos prohibitivos asociados a la recopilación de datos. Esta apertura acelera la innovación, asegurando que los futuros modelos de reconocimiento de emociones se construyan sobre fuentes de datos diversas, representativas y transparentes, lo que en última instancia conduce a interacciones humano-robot más éticas y efectivas.

Noticias relacionadas

• Can synthetic data boost fairness in medical imaging AI?
• OSCE Trains Ukraine's Civil Society, Private Sector in Open Data Transparency
• ‘We need the transparency’: New bill would strengthen Alabama’s public records law
• Research Urges Clear Guidelines for Fair Synthetic Data Use
• Several Top Museums in UK Admit Hundreds of Items Were Lost, Stolen or Destroyed