Forskere udvikler ramme til at give robotter sociale færdigheder

Forskere ved Massachusetts Institute of Technology (MIT) har udviklet en kontrolramme til at give robotter sociale færdigheder. Rammen giver maskinerne mulighed for at forstå, hvad det indebærer at hjælpe eller hindre hinanden, samt at lære at udføre sociale adfærd på egen hånd.

En robot iagttager sin medrobot i en simuleret omgang før den gætter, hvilket formål den ønsker at opnå. Den hjælper eller hindrer herefter den anden robot baseret på sine egne mål.

Forskerne har også demonstreret, at deres model skaber realistiske og forudsigelige sociale interaktioner. Når menneskelige seere blev vist videoer af de simulerede robotter, der interagerede med hinanden, var de enige med modellen om, hvilken social adfærd der var pågående.

Ved at give robotter sociale færdigheder kan vi opnå mere positive menneske-robot-interaktioner. Den nye model kan også give videnskabsmænd mulighed for at måle sociale interaktioner kvantitativt.

Boris Katz er hovedforsker og leder af InfoLab Group i Computer Science and Artificial Intelligence Laboratory (CSAIL) samt medlem af Center for Brains, Minds, and Machines (CBMM).

“Robotter vil snart leve i vores verden, og de må virkelig lære at kommunikere med os på menneskelige vilkår. De må forstå, hvornår det er tid til at hjælpe og hvornår det er tid til at se, hvad de kan gøre for at forhindre noget i at ske. Dette er meget tidligt arbejde, og vi har kun lige begyndt at skrabe overfladen, men jeg føler, at dette er det første alvorlige forsøg på at forstå, hvad det indebærer for mennesker og maskiner at interagere socialt,” siger Katz.

Forskningen omfattede også medforfatter Ravi Tejwani, en forskningsassistent ved CSAIL; medforfatter Yen-Ling Kuo, en CSAIL-ph.d.-studerende; Tianmin Shu, en postdoc i afdelingen for hjernens og kognitionens videnskab; og seniorforfatter Andrei Barbu, en forskningsvidenskabsmand ved CSAIL.

Studier af sociale interaktioner

Forskerne skabte en simuleret omgang, hvor robotter forfølger fysiske og sociale mål, mens de navigerer rundt i en todimensionel grid, hvilket gjorde det muligt for holdet at studere sociale interaktioner.

Robotterne fik fysiske og sociale mål. Et fysisk mål relaterer til omgangen, mens et socialt mål kunne være noget i retning af, at en robot gætter, hvad en anden robot forsøger at opnå, før den baserer sine egne handlinger på den forudsigelse.

Modellen bruges til at specificere, hvad en robots fysiske mål er, hvad dens sociale mål er, og hvor meget vægt der skal lægges på det ene over for det andet. Hvis roboten udfører handlinger, der bringer den tættere på målet, belønnes den. Hvis roboten forsøger at hjælpe sin medrobot, justerer den sin belønning til at matche den andens. Hvis roboten forsøger at hindre den anden, justerer den sin belønning derefter. En algoritme beslutter, hvilke handlinger en robot skal udføre, og den bruger beløningssystemet til at guide den til at udføre fysiske og sociale mål.

“Vi har åbnet en ny matematisk ramme for, hvordan man modellerer sociale interaktioner mellem to agenter. Hvis du er en robot, og du vil gå til sted X, og jeg er en anden robot og ser, at du forsøger at gå til sted X, kan jeg samarbejde ved at hjælpe dig med at komme til sted X hurtigere. Det kan indebære at flytte X nærmere dig, finde et bedre X eller udføre hvilken som helst handling, du havde brug for at udføre på X. Vores formuleringsmulighed giver planen mulighed for at opdage ‘hvordan’; vi specificerer ‘hvad’ i forhold til, hvad sociale interaktioner betyder matematisk,” siger Tejwani.

Forskerne bruger den matematiske ramme til at definere tre typer robotter. En niveau 0-robot har kun fysiske mål, mens en niveau 1-robot har både fysiske og sociale mål, men antager, at alle andre kun har fysiske mål. Dette betyder, at niveau 1-robotter udfører handlinger baseret på de fysiske mål for andre, såsom at hjælpe eller hindre. En niveau 2-robot antager, at andre har sociale og fysiske mål, og disse robotter kan udføre mere avancerede handlinger.

Test af modellen

Forskerne fandt ud af, at deres model var enig med, hvad mennesker mente om de sociale interaktioner, der var pågående i hver ramme.

“Vi har en langsigtede interesse, både til at bygge beregningsmodeller for robotter, men også til at grave dybere i de menneskelige aspekter af dette. Vi vil gerne finde ud af, hvilke funktioner fra disse videoer mennesker bruger til at forstå sociale interaktioner. Kan vi skabe en objektiv test for din evne til at genkende sociale interaktioner? Måske er der en måde at undervise mennesker i at genkende disse sociale interaktioner og forbedre deres evner. Vi er langt fra dette, men selv at kunne måle sociale interaktioner effektivt er et stort skridt fremad,” siger Barbu.

Holdet arbejder nu på at udvikle et system med 3D-agenter i en omgang, der tillader flere typer interaktioner. De ønsker også at modificere modellen til at inkludere omgange, hvor handlinger kan fejle, og de planlægger at inkorporere en neural netværksbaseret robotplanlægger i modellen. Til sidst vil de forsøge at udføre et eksperiment for at indsamle data om de funktioner, mennesker bruger til at bestemme, om to robotter er engageret i en social interaktion.