Este artículo propone un nuevo marco de aprendizaje y clasificación para mejorar el realismo y la naturalidad de la generación de expresiones faciales robóticas. Los métodos de ajuste manual existentes presentan limitaciones en cuanto a la delicadeza y el realismo de las expresiones, y este estudio pretende superarlas mediante el uso de datos de preferencias humanas. En particular, utilizamos anotaciones de comparación por pares para recopilar datos de preferencias humanas y desarrollamos el modelo HAPI (Human Affective Pairwise Impressions) basado en Siamese RankNet para mejorar la evaluación de las expresiones faciales. Los resultados experimentales, utilizando optimización bayesiana y una encuesta en línea sobre expresiones faciales en una plataforma Android de 35 grados de libertad, muestran que el método propuesto genera expresiones faciales de ira, felicidad y sorpresa de forma mucho más realista y socialmente relacionable que los métodos existentes. Esto confirma que el marco propuesto reduce eficazmente la brecha entre la preferencia humana y la predicción del modelo, y combina la generación de expresiones faciales robóticas con las respuestas emocionales humanas.
