Ny metode giver mennesker mulighed for at hjælpe robotter med at “se” deres omgivelser

Et hold ingeniører fra Rice University har udviklet en ny metode, der giver mennesker mulighed for at hjælpe robotter med at “se” deres omgivelser og udføre forskellige opgaver.

Den nye strategi kaldes Bayesian Learning IN the Dark (BLIND), som er en ny løsning på problemet med bevægelsesplanlægning for robotter, der opererer i omgivelser med blinde punkter.

Studiet blev ledet af datalogerne Lydi Kavraki og Vaibhav Unhelkar og co-ledet af Carlos Quintero-Peña og Constantinos Chamzas fra Rice’s George R. Brown School of Engineering. Det blev præsenteret på Institute of Electrical and Electronics Engineers’ International Conference on Robotics and Automation.

Menneske i løkken

Ifølge studiet holder algoritmen et menneske i løkken for at “forbedre robotternes perception og, vigtigst, forhindre udførelsen af usikre bevægelser.”

Holdet kombinerede Bayesian inverse forstærkning med etablerede bevægelsesplanlægnings-teknikker for at hjælpe robotter med mange bevægelige dele.

For at teste BLIND, blev en robot med en ledet arm med syv led givet opgaven at gribe en lille cylinder fra en bord og flytte den til en anden. Men først måtte robotten først flytte forbi en barriere.

“Hvis du har flere led, er instruktionerne til robotten komplicerede,” sagde Quintero-Peña. “Hvis du instruerer et menneske, kan du bare sige: ‘Løft din hånd op.'”

Men en robot kræver programmer, der er specifikke omkring bevægelsen af hvert led i dens bane, og dette bliver endnu vigtigere, når der er forhindringer, der blokerer dens “syn”.

At lære at “se” rundt om forhindringer

BLIND programmerer ikke en bane på forhånd. I stedet indsætter den et menneske midt i processen for at finjustere de koreograferede muligheder, som robotternes algoritme foreslår.

“BLIND giver os mulighed for at tage information fra menneskets hoved og beregne vores baner i dette højgradigt frihedsrum,” sagde Quintero-Peña. “Vi bruger en specifik form for feedback kaldet kritik, grundlæggende en binær form for feedback, hvor mennesket får mærker på dele af banen.”

Mærkerne vises som forbundne grønne prikker, der repræsenterer mulige baner. Da BLIND går fra prik til prik, godkender eller afviser mennesket hver bevægelse og finjusterer banen og undgår forhindringer.

“Det er en let brugerflade for mennesker at bruge, fordi vi kan sige: ‘Jeg kan lide dette’ eller ‘Jeg kan ikke lide det,’ og robotten bruger denne information til at planlægge,” sagde Chamzas. Robotten kan udføre sin opgave efter at være blevet belønnet for sine bevægelser.

“En af de vigtigste ting her er, at menneskelige præferencer er svære at beskrive med en matematisk formel,” sagde Quintero-Peña. “Vores arbejde simplificerer menneske-robot-relationer ved at inkorporere menneskelige præferencer. Det er, hvordan jeg tror, applikationer vil få mest udbytte af dette arbejde.”

Kavraki har arbejdet med avanceret programmering for NASA’s humanoid Robonaut om bord på Den Internationale Rumstation.

“Dette arbejde viser smukt, hvordan lidt, men målrettet, menneskelig indgriben kan betydeligt forbedre robotternes evne til at udføre komplekse opgaver i omgivelser, hvor nogle dele er fuldstændig ukendte for robotten, men kendte for mennesket,” sagde Kavraki.

“Det viser, hvordan metoder til menneske-robot-interaktion, emnet for min kollega Professor Unhelkars forskning, og automatiseret planlægning, der er blevet pioneret i årevis på mit laboratorium, kan blande sig til at levere pålidelige løsninger, der også respekterer menneskelige præferencer.”