研究背景
人类社会经历了第一次浪潮（农业革命）和第二次浪潮（工业革命）之后，正在展开声势浩大的第三次浪潮——信息革命。信息革命主要包括信息生产和信息处理两个方面。在信息革命时期，科学技术各学科专业的迅速分化和社会生产各行业分工的日趋细化，各种科学技术的大量产生，形成了“信息爆炸”的局面，信息处理方面的发展水平逐步成为信息革命发展的瓶颈，社会在信息处理方面一旦取得重要成果往往会引发和促进整个人类社会在经济、政治和文化领域的深刻变革，因此计算机技术的发展水平可以看作是信息革命浪潮的中心线索，人工智能（包括人工情感）的发展水平又可以看作是计算机发展的核心内容，其中情感机器人就是发展的一个趋势下的产物。
目前，人工智能呈现高速增长和全面扩张的态势，一方面人工智能不断朝更深层的智能方向发展：数学运算、逻辑推理、专家系统、模式识别、深度学习等；另一方面不断向社会的各个领域进行扩展：智能电视、智能手机、智能家居、智能交通、智能购物、智能城市、智能养老等。人工智能的下一个技术突破口必然是人工情感，只有实现了真正意义的人工情感，人工智能才会有更加广阔的发展空间，才会对社会生产力形成更加强大的推动力。
情感机器人就是用人工的方法和技术赋予计算机或机器人以人类式的情感，使之具有表达、识别和理解喜乐哀怒，模仿、延伸和扩展人的情感的能力，是许多科学家的梦想，与人工智能技术的高度发展相比，人工情感技术所取得的进展却是微乎其微，情感始终是横跨在人脑与电脑之间一条无法愈越的鸿沟。很长时间内，情感机器人只能是科幻小说中的重要素材，很少纳入科学家们的研究课题之中。
目前，世界各国在“人工情感”方面已经投入了大量的人力、物力与财力，并且在脸部表情处理、情感语音处理、姿态表情处理、自然人机界面等方面取得了不少的进展。至今为止，人工情感所取得的成就无外乎只有两个方面：（1）情感表达系统，（2）情感识别系统。然而，人类的情感体系至少包括五个基本部分：情感表达系统、情感识别系统、情感运算系统、意志运算系统、感知情意交互系统。显然，至今人工情感的所有研究完全没有涉及后面三个系统。
事实上，情感是人类一种特殊的思维方式，它同智能的思维方式完全不同，但情感机器人的研发必须建立在科学的情感理论的基础之上，才是现实的，没有一个全新的科学的情感理论作指导，要研发真正意义上的情感机器人是不可能的。这种全新的情感理论必须突破心理学的局限，也必须突破社会科学的局限，成为一门独立的、横跨自然科学与社会科学的交叉性科学理论，其根本目的在于：情感数字化。这种全新的情感理论就是“数理情感学”，它以“统一价值论”为理论前提，采用数理逻辑方法分析情感现象与情感规律的科学。归纳起来，“统一价值论”与“数理情感学”主要通过如下步骤共同完成情感机器人的理论框架。
研究内容
一、情感机器人的研究步骤
1.建立一个全新的价值理论：统一价值论
这种价值理论必须以自然科学的公理为前提，把所有学科的价值理论（如哲学、经济学、政治经济学、社会学、价值工程学等）统一起来，能够全面揭示各种不同形式的价值（如金钱、房产、地位、健康、相貌、才华等）之间的内在逻辑关系，并建立统一计算各种价值的数学模型。以物理学的“耗散结构论”为理论前提，从物理学角度研究生命现象和生命规律，从能量角度研究价值现象与价值规律，实现了价值理论的统一化、客观化和数学化，从而推动了整个社会科学的自然科学化进程，也为创立“数理情感学”奠定了理论基础。
2.建立一个全新的情感理论：数理情感学
从价值论角度研究情感现象与情感规律，实现了情感理论的统一化、客观化和数学化，从而推动了情感理论的自然科学化进程，它远远跳出心理学的范畴，从价值角度来分析情感现象和情感规律，对价值观和情感作出了数学定义，推导出了“情感强度三大定律”，并且实现了对于不同情感的数学运算，也为创立“人工情感”奠定了理论基础。
3.建立全新的人工情感理论：情感机器人
对人工情感作了进一步具体化的研究，绘制出八个重要系统的逻辑框图：情感表达系统、情感识别系统、情感运算系统、意志运算系统、感知情意交互系统、记忆系统、注意系统、自我意识系统等，为人工情感的研制提出了初步的技术方案。
4.实现人工情感的产业革命：人工情感＋
人工情感的初步技术方案完成以后，就可以按照其基本思路，研制出情感芯片，并把它植入智能机器人，就可以生产出真正意义的情感机器人。与此同时，还可以并把情感芯片广泛应用于各个产业，从而引发全社会“人工情感＋”产业革命，它是继“互联网＋”之后的更广泛而深刻的产业革命。
总之，没有“统一价值论”就没有“数理情感学”，没有“数理情感学”就没有“情感机器人”，没有“情感机器人”就没有“人工情感＋”产业革命。
二、情感机器人的技术路线
人与外界的相互作用过程可以分解为五个相对独立的阶段：感觉阶段、认知阶段（或分析阶段）、评价阶段（或情感阶段）、规划阶段（或意志阶段）、行为阶段；它们分别解决五个不同性质的问题：有什么？是什么？有何用？怎么办？干掉它！它们分别通过人的五个主执行系统（即感觉系统、认知系统、评价系统、意志系统和行为驱动系统）和三个辅助执行系统（即记忆系统、注意系统和自我意识系统）来完成；信息处理的逻辑顺序是：外界信息、感觉信息的分析、认知信息的评价、行为信息的评价、意志信息的实施。
由此可见，情感机器人研究的技术线路可分为四个方面：研究对象的技术线路、解决问题的技术线路、执行系统的技术线路、信息处理的技术线路。
1.研究对象的技术路线
研究对象的技术路线：事物的物质属性 à 事物的关系属性 à 事物的价值属性 à 行为的价值属性à行为的实施方式。
2.解决问题的技术路线
解决问题的技术路线：有什么？ à 是什么？ à 有何用？ à 怎么办？ à 干掉它。
3.执行系统的技术路线
（1）主执行系统的技术路线，即感觉系统 à 认知系统 à 评价系统 à 意志系统 à 行为系统；
（2）辅助执行系统的技术路线，即自我意识系统 à 记忆系统 à 注意系统。
4.信息处理的技术路线
信息处理的技术路线：外界信息 à 感觉信息的分析 à 认知信息的评价 à 行为信息的评价 à 意志信息的实施。
情感机器人研究的技术路线。
设备推荐
情感机器人
1. 具备视觉、语音交互能力，能够观察、倾听、表达、操作，实现了与人打招呼、聊天等交互能力。
2. 高度拟人：具备拟人外形，表情机器人兼具面部动作，肢体动作机器人则兼具肢体动作和面部动作
3. 情感认知：眼中装备有CCD摄像机，在确定房间的亮度后观察与其交流者的表情变化
4. 意志阐述：得到刺激信号后，确定情感的强度与方向，选择情感表达模式，接收和处理情感表达所产生的反馈信号
表情机器人
肢体动作机器人
参考文献
S. Schaal, S. Kotosaka, D. Sternad, "Nonlinear Dynamical Systems as Movement Primitives", Proc. Humanoids 2000 IEEE-RAS Int'l Conf. Humanoid Robots, 2000.
J.G. Hale, F.E. Pollick, "'Sticky Hands' Interaction with an Anthropomorphic Robot", Proc. 2000 Workshop Interactive Robotics and Entertainment, pp. 117-124, 2000.
G. Tevatia, S. Schaal, "Inverse Kinematics for Humanoid Robots", Proc. IEEE Int'l Conf. Robotics and Automation, pp. 294-299, 2000.
T. Martinetz, K. Schulten, "Topology Representing Networks", Neural Networks, vol. 7, no. 3, pp. 507-522, 1994.
M. Kawato, "Internal Models for Motor Control and Trajectory Planning", Current Opinion in Neurobiology, vol. 9, pp. 718-727, 1999.
S. Vijayakumar, S. Schaal, "Fast and Efficient Incremental Learning for High-Dimensional Movement Systems", Proc. IEEE Int'l Conf. Robotics and Automation, pp. 1894-1899, 2000.
A. Ude, C.G. Atkeson, M. Riley, "Planning of Joint Trajectories for Humanoid Robots Using B-spline Wavelets", Proc. IEEE Int'l Conf. Robotics and Automation, pp. 2223-2228, 2000.
M. Riley, A. Ude, C.G. Atkeson, "Methods for Motion Generation and Interaction with a Humanoid Robot: Case Studies of Dancing and Catching", Proc. 2000 Workshop Interactive Robotics and Entertainment, pp. 35-42, 2000.
T. Shibata, S. Schaal, "Fast Learning of Biomimetic Oculomotor Control with Nonparametric Regression Networks", Proc. IEEE Int'l Conf. Robotics and Automation, pp. 3847-3854, 2000.
S. Schaal, C.G. Atkeson, S. Vijayakumar, "Real-Time Robot Learning with Locally Weighted Statistical Learning", Proc. IEEE Int'l Conf. Robotics and Automation, pp. 288-293, 2000.
C.G. Atkeson, S. Schaal, "How Can a Robot Learn from Watching a Human?", Proc. 14th Int'l Conf. Machine Learning, pp. 12-20, 1997.
