With the increasing presence of robots in our daily life, there is a strong need and demand for the strategies to acquire a high quality interaction between robots and users by enabling robots to understand usersʼ mood, intention, and other aspects. During human-human interaction, personality traits have an important influence on human behavior, decision, mood, and many others. Therefore, we propose an efficient computational framework to endow the robot with the capability of understanding the userʼ s personality traits based on the userʼ s nonverbal communication cues represented by three visual features including the head motion, gaze, and body motion energy, and three vocal features including voice pitch, voice energy, and mel-frequency cepstral coefficient ( MFCC ) . We used the Pepper robot in this study as a communication robot to interact with each participant by asking questions, and meanwhile, the robot extracts the nonverbal features from each participantʼ s habitual behavior using its on-board sensors. On the other hand, each participantʼ s personality traits are evaluated with a questionnaire. We then train the ridge regression and linear support vector machine ( SVM ) classifiers using the nonverbal features and personality trait labels from a questionnaire and evaluate the performance of the classifiers. We have verified the validity of the proposed models that showed promising binary classification performance on recognizing each of the Big Five personality traits of the participants based on individual differences in nonverbal communication cues.

中文翻译：

---

了解人机交互中人格特质的非语言交流线索

随着机器人在日常生活中的出现，对使机器人能够理解用户的情绪，意图和其他方面的策略以获取高质量的机器人与用户交互的策略的强烈需求和需求。在人与人的互动过程中，人格特质对人的行为，决策，情绪和许多其他方面都有重要影响。因此，我们提出了一个有效的计算框架，使机器人具有基于用户的非语言交流线索来理解用户的个性特征的能力，该非语言交流线索包括头部运动，凝视和身体运动能量以及三个人声三个视觉特征。功能包括语音音调，语音能量和梅尔频率倒谱系数（MFCC）。在本研究中，我们将Pepper机器人用作交流机器人，通过提问与每个参与者进行互动，同时，该机器人使用其机载传感器从每个参与者的习惯行为中提取非语言特征。另一方面，每个参与者的人格特质都通过问卷进行评估。然后，我们使用问卷中的非语言特征和人格特征标签训练岭回归和线性支持向量机（SVM）分类器，并评估分类器的性能。我们已经验证了提出的模型的有效性，该模型在基于非语言交流提示中的个体差异来识别参与者的五种人格特质中均显示出有希望的二元分类性能。同时，机器人使用其车载传感器从每个参与者的习惯行为中提取非语言特征。另一方面，每个参与者的人格特质都通过问卷进行评估。然后，我们使用问卷中的非语言特征和人格特征标签训练岭回归和线性支持向量机（SVM）分类器，并评估分类器的性能。我们已经验证了所提出的模型的有效性，该模型在基于非语言交流提示中的个体差异来识别参与者的大五人格特质中显示出有希望的二元分类性能。同时，机器人使用其车载传感器从每个参与者的习惯行为中提取非语言特征。另一方面，每个参与者的人格特质都通过问卷进行评估。然后，我们使用问卷中的非语言特征和人格特征标签训练岭回归和线性支持向量机（SVM）分类器，并评估分类器的性能。我们已经验证了所提出的模型的有效性，该模型在基于非语言交流提示中的个体差异来识别参与者的大五人格特质中显示出有希望的二元分类性能。每位参与者的人格特质均通过问卷进行评估。然后，我们使用问卷中的非语言特征和人格特征标签训练岭回归和线性支持向量机（SVM）分类器，并评估分类器的性能。我们已经验证了所提出的模型的有效性，该模型在基于非语言交流提示中的个体差异来识别参与者的大五人格特质中显示出有希望的二元分类性能。每位参与者的人格特质均通过问卷进行评估。然后，我们使用问卷中的非语言特征和人格特征标签训练岭回归和线性支持向量机（SVM）分类器，并评估分类器的性能。我们已经验证了所提出的模型的有效性，该模型在基于非语言交流提示中的个体差异来识别参与者的大五人格特质中显示出有希望的二元分类性能。