p(xt, yt)是愉快度。愉快全面代表价信息，当感情价和情绪价都是最大值时，Agent最愉快，反之则最勉强。

    A(xt, zt)是激活度。激活度总是处在困倦，及心理敏感度和生理兴奋度最大值之间。总是取负值的厌烦程度起降低激活度的作用。

    d(t)是支配度。支配的存在是为了区分影响外界状况和事件的感觉，如厌烦和生气，或被外界环境控制的感觉，如恐惧和悲伤。

    根据以上的计算结果，将情感归入相应的类，如图3-9。一个形容词代表一种PAD类别，人工设定相应的PDA值。

图3-9

    每一类对应一个激活阈值Φ和一个饱和阈值Δ，如图3-10。当点在且仅在一个类的Φ内，类被激活，激活程度由公式3-4计算。当点在且仅在一个类的Δ，类完全激活，W = 1。如果以上条件都不满足，Agent进入特殊的混乱(Confused)状态。

图3-10

公式3-4

    3.3.2 集成和应用 Integration and Application

    最终，将情感系统集成到现有的Max中，设定相应的输入输出，图3-11。Max的认知构架通过两种途径提供给情感系统情感价信息：

    (1) Interpretation和Dialog Manager，审察过程；

    (2) Perception，对正面或负面刺激的直接反应。

    而情感系统反馈给认知构架三方面数据：

    (1) 情绪价和厌烦程度；

    (2) PAD三元组；

    (3) 被激活的情感类型及其强度，或者混乱(Confused)。

    前两项数据用于Behavior Generation，第三项用于Dialog Manager。

图3-11 将情感系统集成到现有的Max

图3-13是Max生气并走出画面的例子

    3.4小结

    会话Agent对实时性的要求比较高，在交互、展示、教育上有广范的应用，但是由于硬件的限制，Agent的外形一般计较粗糙。

    另一方面，会话Agent的语言、行为、情感都是由开发者根据实际环境预先设定，缺少自学习的能力，不能一般地在各种情况中切换。

    还有，语言识别模块是会话Agent比较薄弱的一块，这个模块如果不能很好的适应环境，会使Agent答非所问，完全背离设计的目的。

    所以，将来会话Agent的发展应该至少有三个方向：

    (1) 更逼真的视觉效果，包括精细的肌肉变化、眼神的变化、毛发的飘动等，也许可以用骨架来控制肌肉变化；

    (2) 学习能力的增强，对新语句的融会和理解，这需要语言学和人工智能其它领域的支持；

    (3) 语言识别模块更强大，声音的采集处理，能够应付各种各样的意外因素。

    四、行为Agent Behavioral Agent

    行为Agent与会话Agent有所不同。行为Agent研究的是Agent在虚拟环境中根据环境的状态，调整行为，规划运动，完成目的，主要用于控制动物在虚拟环境中的运动。

    徐晓媛[26]和James[27]分别就动物和人的运动模拟所做的博士工作，深入细致的探索了理论模型和实践方法。[28]提出垂直的多级抽象层次结构AHA (Asynchronous, Hierarchical Agents)，模拟人类多层次的迭代思考过程。[29]将增强学习法(Reinforcement Learning)用于自发虚拟Agent(Autonomous Virtual Agent)的运动控制，采用Q-Learning和TD-Learning两种算法。[30]的离散调度机制决定运动随时间的变化，而由一个多通道构架完成动作的执行和渲染。

    MIT Media Lab C4[31]的理念基于大脑被分成很多系统，并在一块黑板上交流。主要模块有：感应系统和感知系统，动作系统，导航和运动系统，短期记忆和心理黑板(Mental Blackboard)。C4的工作集中在训练一只家庭宠物上，4.1详细介绍。

    4.2介绍Wen[32]等提出的将Agent的行为可视化的方法，。

    4.1 C4