소셜 로봇의 감성적 인터랙션 강화를 위한 비언어 신호 요소 분석 및 외형 조합 최적화 방향 제안
Optimization of Robot's Morphological Configurations and Analysis of Nonverbal Signal Elements in way to Enhance Affection in Human-Robot Interaction(HRI)
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 소셜 로봇의 감성적 인터랙션을 극대화하기 위해 비언어 커뮤니케이션 요소를 중심으로 로봇의 외형과 사회적 관계 유형의 최적 조합을 분석하였다. 비언어 신호는 인간 간 의사소통뿐만 아니라 사용자-로봇 간 인터랙션에서도 감정 표현과 정서적 유대 형성에 핵심적인 역할을 수행한다. 그러나 기존 연구는 로봇의 외형이나 기능적 목적에 치중하여 외형과 비언어 커뮤니케이션 간의 통합적 분석이 부족하였다. 이에 본 연구는 소셜 로봇의 외형을 Humanoid, Animal, Character, Functional의 네 가지로 분류하고, 사회적 관계 유형 7가지, 비언어 신호 5가지, 사용자 인터페이스 3가지를 기준으로 분석을 수행하였다. Python 기반 텍스트 마이닝 기법을 적용하여 Pandas와 NLTK를 활용해 주요 키워드를 추출하고, 가산점 평가 및 Min-Max Scaling을 통해 정보 전달 요소와 감성적 요소를 수치화하고 시각화하였다. 분석 결과, Animal 외형 로봇이 비언어 신호 기반 감성적 인터랙션에 가장 적합한 것으로 나타났으며, Functional 외형은 언어 커뮤니케이션 기반 정보 전달의 목적으로 주로 활용되었다. Humanoid와 Character 외형은 유사한 군집을 형성하여 명확한 구분이 어려웠다. 또한 비언어 신호인 Kinesics, Vocalics, Oculesics, Proxemics를 적용한 ‘사회적 환기형’ 로봇 설계가 기술적으로 최적화된 것으로 분석되었다. 후속 연구에서는 주요 비언어 신호를 기반으로 최소한의 모션 요인을 적용한 단일 모달리티와 요인-요인 조합을 통한 복합 모달리티 방식을 구분하여, 모션, 속도, 거리 등 다양한 요인이 감정 표현의 적합성에 미치는 영향을 사용자 평가를 통해 검증할 필요가 있다. 본 연구는 로봇 산업뿐만 아니라 일상 제품의 감성적 인터랙션 적용을 위한 기초 자료로 활용될 수 있을 것으로 기대된다.
Abstract
This study examines the role of Nonverbal Communication Elements in enhancing Affective Interaction within Social Robots, focusing on their correlation with Robot Design Categories and the Classification of Social Robots. The objective is to identify optimal combinations of these factors to improve emotional expression and user-robot bonding in Human-Robot Interaction (HRI). Despite the recognized importance of nonverbal signals in fostering affective engagement, prior studies have predominantly addressed robot appearances or functional roles in isolation, lacking integrated analysis. In this study, social robots are categorized into four design types (Humanoid, Animal, Character, and Functional), and the classification framework includes seven relationship-based categories. Nonverbal communication elements are divided into five signal types and three user interface modalities, evaluated using structured scoring criteria. Key interaction design factors were quantified through text mining using Python-based methods. Data were normalized via Min-Max scaling and interpreted through clustering analysis. Results indicate that Animal-form robots are most effective in leveraging nonverbal signals for affective interaction, while Functional-form robots primarily support information-oriented verbal communication. Humanoid and Character types displayed overlapping characteristics, complicating distinct categorization. Among the nonverbal signals, Kinesics, Vocalics, Oculesics, and Proxemics were identified as critical contributors to affective engagement. Designing Animal-form robots for Socially Evocative functions emerged as a technically optimal approach. Future research should validate the appropriateness of emotional expression by distinguishing between Uni-Modal approaches using minimal motion-related factors and Multi-Modal approaches combining such factors, based on key nonverbal signals through user evaluation. This study is expected to serve as a foundational reference for affective interaction design in both the robotics industry and everyday products.