Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Robot çeşitli makine öğrenmesi<br />
metotları/sınıflandırıcılar kullanarak<br />
insanın içinde bulunduğu ruh halini<br />
algılayıp uygun duygu durumunu<br />
ve iç dünyasını belirtecek<br />
davranışları gerçekleyebilir.<br />
Resim 3. İngiltere’de gerçekleştirilen çocuklarla etkileşimli müzik oyunundan bir sahne.<br />
olduğu gibi doğal görünen iletişim rutinlerini<br />
kullanması ve sosyal ipuçlarından yararlanması<br />
esastır. Bunlar yüz ifadeleri, göz<br />
ve baş hareketleri, el jestleri şeklinde ifade<br />
edilebilir [Kose, vd., 2010]. Ancak işaret<br />
dili çalışmalarında dikkat edilecek unsur<br />
sözlü iletişimde kullanılabilecek bu tür jest<br />
ve mimiklerin, işaretlerde kullanılanlarla<br />
karıştırılmaması için belirli sınırlar içinde tutulmasıdır.<br />
Robot çeşitli makine öğrenmesi<br />
metotları/sınıflandırıcılar kullanarak insanın<br />
içinde bulunduğu ruh halini algılayıp uygun<br />
duygu durumunu ve iç dünyasını belirtecek<br />
davranışları gerçekleyebilir. Dr. Köse ve ekibi<br />
çalışmalarında insan duygu durumlarını<br />
da robota yansıtmak ve robot öğretmenin<br />
çalışma süre ve zorluğunu buna göre ayarlamasını<br />
da amaçlamaktadır. Bu amaçla,<br />
özel sensörlerle insan nabız ve EMG bilgisi<br />
alınarak bu bilgilerden, insanın duygu duna<br />
geçer. “Pasif test” modunda robot hiçbir<br />
ipucu vermeden hareketleri karışık bir<br />
sıra ile gerçekleştirir, her hareketi bitirdikten<br />
sonra çocuktan gerçekleştirdiği hareket/işaret<br />
ile ilgili renkli kartı göstermesini<br />
bekler. Çocuk önündeki kartlar arasından<br />
doğru olduğunu düşündüğü kartı robota<br />
gösterir (Resim 2). Robot görü modülü<br />
yardımıyla bu kartı tanır. İşaretle eşleşen<br />
doğru kart gösterilirse gülümser, yanlış<br />
kart gösterilirse nötr yüz ifadesi gösterir<br />
ve her iki yüz ifadesini de sesli geribildirim<br />
ile destekler. Robotun “aktif test” modunda<br />
ise, çocuğa kartlar gösterilir ve çocuğun<br />
hareketi yapması beklenir. Çocuk hareketi<br />
yapınca, robot hareket tanıma modülü yardımı<br />
ile hareketin doğruluğunu kontrol eder<br />
eğer doğru ise robot gülümser ve hareketi<br />
tekrarlar, yanlış ise nötr yüz ifadesi ile çocuktan<br />
tekrar etmesini ister. Bu çalışmaya<br />
kelimelerin tahminine dayalı bir çocuk oyunundan<br />
esinlenilerek “iSpy-uSign”ya da kısaca<br />
“iSign” ismi verilmiştir.<br />
İnsan-robot etkileşiminde temel unsur<br />
robotun insan ile iletişimde bulunmasıdır.<br />
Robotlar etkileşim sırasında insanın üç duyusunu<br />
(görme, işitme, dokunma) tetikleyebilir.<br />
Bu nedenle sadece sözlü değil, bu çalışmada<br />
olduğu gibi sözsüz jestlere dayalı<br />
iletişim de kurulabilir. Özellikle sözlü iletişim<br />
konusunda sorun yaşayan işitme engelliler,<br />
otizmliler ya da konuşma bozukluklarına<br />
sahip bireyler için bu önemli bir unsurdur.<br />
Robotun insan ile etkileşimi sırasında ya da<br />
etkileşimi için insanlar arasındaki iletişimde<br />
Resim 4. Çocuk Nao ile etkileşim oyunu oynuyor.<br />
rumunun çıkarımı üzerinde çalışılmaktadır.<br />
İşaret dili dışında müzik de çocuk-robot<br />
sözsüz iletişimini sağlamak için etkin<br />
bir yoldur. Dr. Köse’nin konu ile ilgili çalışmalarında<br />
çocuklar ve robot arasındaki<br />
sözsüz etkileşimin düzenlenmesi için müzikten<br />
ve hesaplamalı bilişsel metotlardan<br />
yararlanılmıştır [Kose vd. 2009; Kose vd.<br />
2010]. Bu çalışma İngiltere’de 70’i ilkokul<br />
öğrencisi olmak üzere yaklaşık 100 katılımcı<br />
ile test edilmiştir (Resim 3).<br />
Literatürde farklı işaret dillerini tanımak<br />
için bilgisayar destekli başarılı çözümler<br />
sunulmuştur. Ancak bu çalışmalar yetişkinler<br />
için geliştirilmiştir. Çocukların iskelet<br />
sistemleri farklı boyut ve orandadır. Çocuklar<br />
tarafından yapılan işaretlerin yüksek<br />
başarım ile tanınabilmesi için çocukların<br />
iskelet sistemine uygun ve çocukların<br />
yaptıkları işaret verileri kullanılarak makine<br />
öğrenmesi metotları ile eğitilen sistemlere<br />
ihtiyaç vardır (Resim 7). Bu çalışma bu<br />
anlamda ilk çalışmalardan olma özelliğine<br />
sahiptir. Robotun işaretleri tanıdığı modül,<br />
Saklı Markov Modelleri (SMM) tabanlı bir<br />
sistemdir. Her işaret primitifi Yapay Sinir<br />
Ağları (YSA) ile tanınır ve bu primitiflerden<br />
oluşan hareket sekansını Saklı Markov<br />
Modelleri tanır. Her primitif için özel<br />
eğitilmiş bir YSA ve her bir işaret için özel<br />
eğitilmiş bir SMM vardır. Derinlik ölçen kameralar<br />
(Örn. Kinect) yardımı ile insanlardan<br />
her bir hareket için alınan veriler ile<br />
sistem eğitilir. Veri sayısı arttıkça başarım<br />
yükselir.<br />
itü vakfı dergisi<br />
33