<font color=#FF9900>Robot</font> Berperasaan

ROBOT ini bisa mengeluarkan ekspresi sedih, takut, marah, gembira, juga bangga. Dikembangkan komisi dan konsorsium universitas se-Eropa, robot ini merupakan bagian dari program Feelix Growing.

Menurut Dr Lola Canamero, kepala proyek dari Universitas Hertfordshire, Inggris, Feelix Growing merupakan pengembangan emosi robot secara interdisipliner. Misalnya, psikologi perkembangan, neuro-imajinasi, etologi, dan pembangunan robot otonom. Semakin sering berinteraksi dengan manusia, makin banyak emosi yang dipelajari dan tersimpan dalam memori. ”Sangat mirip simpanse dan primata nonmanusia mengembangkan ikatan afektif,” kata Canamero.

Bulan lalu, para peneliti di konsorsium merampungkan prototipe pertama Robot Humanoid—begitu robot itu disebut—yang mulai digarap sejak awal 2009. Saat ini, luapan perasaan ditampilkan dalam isyarat nonverbal melalui postur tubuh, seperti perilaku dan gerakan badan. Ekspresi raut muka bak guratan wajah, lisan, atau hidung sedang disempurnakan.

Sistem utama robot ini terdiri atas kepala robot yang dihubungkan dengan perangkat komputer. Pada mata robot ditanam kamera rekam mikro-perilaku. Semua gerak lawan ditangkap kamera dan direkam. Data yang masuk diolah dengan program pemodelan ekspresi.

Servo—motor dengan sistem umpan balik tertutup, dengan posisi motor diinformasikan kembali ke rangkaian kontrol—akan menggerakkan robot ketika menerima perintah. Mata, alis mata, kelopak, dan mulut digerakkan oleh 12 mekanisme servo yang terpusat pada sistem pengodean ge—rak wajah.

Untuk mengekspresikan perasaan sedih, misalnya, Robot Humanoid akan menundukkan kepala. Mulut terbuka lebar seperti tertawa untuk mengungkapkan rasa gembira. Menurut Canamero, Robot Humanoid sedang dikembangkan sebagai robot linguistik. Bila terwujud, bisa jadi ini merupakan cikal bakal cyborg layaknya dalam film-film fiksi Terminator dan I-Robot.

Alur Belajar Robot:

1. Demonstrasi: Robot disuguhi demonstrasi manusia. Anggota badan robot dibimbing atau cukup menangkap gerak dan ekspresi obyek.

2. Belajar: Model statistik menangkap latihan ini dan menjadi parameter sandi sebagai fitur kunci tugas.

3. Reproduksi: Parameter belajar menentukan dinamika robot untuk mengulang semua yang terekam.

4. Kinematika inversi: Pola yang telah terangkum diterjemahkan menjadi sinyal kontrol untuk sendi-sendi robot dan informasi konfigurasi robot.