background image

88 

 

αυτό εκφράζει τις αντιδράσεις του (χαρά, θυμό, λύπη). Τέλος στην τρίτη φάση διεκπεραιώνεται η 

ανασκόπηση της συμπεριφοράς του ρομπότ και κατ’ επέκταση της συμπεριφοράς των ατόμων με 

αυτές τις διαταραχές. Παρακάτω αναλύεται λεπτομερώς η δεύτερη φάση, στην οποία αναλύθηκαν, 

κωδικοποιήθηκαν  και  υλοποιήθηκαν  οι  συμπεριφορές  των  ατόμων  με  ειδικές  εκπαιδευτικές 

ανάγκες. 

Τα  παιδιά  με  διαταραχές  αυτιστικού  φάσματος  παρουσιάζουν  συγκεκριμένες 

στερεοτυπικές  συμπεριφορές,  στο  ρομπότ  προστέθηκαν  οι  πιο  έντονες  από  αυτές.  Η  πρώτη 

αντίδραση που δημιουργεί το ρομπότ προκύπτει από την δράση του χρήστη να το κοιτάξει στα 

μάτια. Κατά την συγκεκριμένη δράση το ρομπότ κατεβάζει το  κεφάλι, αλλάζει την εικόνα του 

προσώπου του κατά μια κατάσταση πιο θυμωμένο, αλλάζει το χρώμα του LED, που υπάρχει στο 

στήθος του σε κόκκινο, ακούγεται ένας ήχος απογοήτευσης και σηκώνει τα χέρια του. Η δεύτερη 

αντίδραση που έχει το ρομπότ είναι στην περίπτωση που το πλησιάσει κάποιος αυτό προσπαθεί να 

κρατήσει την αρχική απόσταση κάνοντας όπισθεν, επίσης αλλάζει και σε αυτή την περίπτωση το 

χρώμα του LED σε κόκκινο και ακούγεται ο αντίστοιχος ήχος. Καθ’ όλη την διάρκεια εκτέλεσης 

του σεναρίου εκτελείται ένα συγκεκριμένο κινηματικό μοντέλο, με το οποίο εκφράζει μια εμφανή 

στερεοτυπική συμπεριφορά. 

Ειδικότερα στην πρώτη αντίδραση το ρομπότ αντιλαμβάνεται το βλέμμα του χρήστη μέσω 

της  κάμερας  που  διαθέτει.    Με  την  χρήση  των  βιβλιοθηκών  cv2  (OpenCV),  numpy  και  os 

(λειτουργικού  συστήματος)  αναπτύχθηκε  ένας  κώδικας  εντοπισμού  προσώπου  (face  detection). 

Από  την  βιβλιοθήκη  cv2  επιλέχθηκε  η  κλάση  CascadeClassifier  με  την  οποία  εντοπίζονται  οι 

αλληλουχίες  του  προσώπου  και  των  ματιών.  Πιο  συγκεκριμένα,  η  κλάση  CascadeClassifier 

ανιχνεύει αντικείμενα που χρησιμοποιούν ταξινομητές Cascade βάσει χαρακτηριστικών Haar είναι 

μια αποτελεσματική μέθοδος ανίχνευσης αντικειμένων. Πρόκειται για μια προσέγγιση βασισμένη 

στη μηχανική μάθηση όπου η λειτουργία Cascade εκπαιδεύεται από πολλές θετικές και αρνητικές 

εικόνες.  Στη συνέχεια χρησιμοποιείται για την ανίχνευση αντικειμένων σε άλλες εικόνες.  Στην 

περίπτωση  ανίχνευσης  προσώπου  ο  αλγόριθμος  χρειάζεται  πολλές  θετικές  εικόνες  (εικόνες 

προσώπων) και αρνητικές εικόνες (εικόνες χωρίς πρόσωπα) για να εκπαιδεύσει τον ταξινομητή. 

Με  την  συγκεκριμένη  μέθοδο  συγκρίνονται  ομάδες  κοντινών  εικονοστιχείων  μεταξύ  τους  και 

εξάγει σε αποτέλεσμα μοτίβα λευκού και μαύρου (Εικόνα 64)