Lære robotter at forudse menneskelige præferencer for bedre samarbejde

Mennesker har den unikke evne til at forstå andres mål, ønsker og overbevisninger, hvilket er afgørende for at forudsige handlinger og samarbejde effektivt. Denne færdighed, kendt som “theory of mind”, er medfødt hos os, men udgør stadig en udfordring for robotter. Hvis robotter skal blive reelle samarbejdspartnere i fremstillingsindustrien og hverdagslivet, er de også nødt til at lære disse evner.

I et nyt artikel, som var finalist til bedste artikel ved ACM/IEEE International Conference on Human-Robot Interaction (HRI), har datalingsforskere fra USC Viterbi til formål at lære robotter at forudsige menneskelige præferencer i samlingsopgaver. Dette vil gøre det muligt for robotter én dag at hjælpe med forskellige opgaver, fra at bygge satellitter til at dække bord.

“When working with people, a robot needs to constantly guess what the person will do next,” said lead author Heramb Nemlekar, a USC computer science PhD student supervised by Stefanos Nikolaidis, an assistant professor of computer science. “For example, if the robot thinks the person will need a screwdriver to assemble the next part, it can get the screwdriver ahead of time so that the person does not have to wait. This way the robot can help people finish the assembly much faster.”

En ny tilgang til at forudsige menneskelige handlinger

Det kan være udfordrende at forudsige menneskelige handlinger, da forskellige personer foretrækker at udføre den samme opgave på forskellige måder. Nuværende teknikker kræver, at folk demonstrerer, hvordan de ønsker at udføre samlingen, hvilket kan være tidskrævende og kontraproduktivt. For at løse dette problem opdagede forskerne ligheder i, hvordan individer samler forskellige produkter, og brugte denne viden til at forudsige præferencer.

I stedet for at kræve, at individer “viser” robotten deres præferencer i en kompleks opgave, skabte forskerne en lille samlingsopgave (kaldet en “kanonisk” opgave), som kunne udføres hurtigt og nemt. Robotten ville derefter “observere” mennesket udføre opgaven ved hjælp af et kamera og anvende maskinlæring til at lære personens præference ud fra deres handlingssekvens i den kanoniske opgave.

I en brugerstudie kunne forskernes system forudsige menneskelige handlinger med omkring 82 % nøjagtighed. Denne tilgang sparer ikke kun tid og indsats, men hjælper også med at opbygge tillid mellem mennesker og robotter. Den kan være gavnlig i industrielle miljøer, hvor arbejdere samler produkter i stor skala, såvel som for personer med handicap eller begrænset mobilitet, der har brug for assistance ved samling af produkter.

Mod en fremtid med forbedret menneske-robot-samarbejde

Forskerne har ikke til formål at erstatte menneskelige arbejdere, men at forbedre sikkerhed og produktivitet i menneske-robot‑hybridfabrikker ved at lade robotter udføre ikke‑værdiskabende eller ergonomisk udfordrende opgaver. Fremtidig forskning vil fokusere på at udvikle en metode til automatisk at designe kanoniske opgaver for forskellige typer af samlingsopgaver samt evaluere fordelene ved at lære menneskelige præferencer fra korte opgaver og forudsige handlinger i komplekse opgaver i forskellige kontekster, såsom personlig assistance i hjemmet.

“En robot, der hurtigt kan lære vores præferencer, kan hjælpe os med at tilberede et måltid, omarrangere møbler eller udføre husreparationer, hvilket har en betydelig indvirkning på vores daglige liv,” sagde Nikolaidis.