Neue Methode ermöglicht es Menschen, Robotern zu helfen, ihre Umgebung “zu sehen”

Ein Team von Ingenieuren an der Rice University hat eine neue Methode entwickelt, die es Menschen ermöglicht, Robotern zu helfen, ihre Umgebung “zu sehen” und verschiedene Aufgaben zu erledigen.

Die neue Strategie wird als Bayesian Learning IN the Dark (BLIND) bezeichnet und ist eine neuartige Lösung für das Problem der Bewegungsplanung für Roboter, die in Umgebungen mit blinden Flecken operieren.

Die Studie wurde von den Informatikern Lydi Kavraki und Vaibhav Unhelkar geleitet und von Carlos Quintero-Peña und Constantinos Chamzas der George R. Brown School of Engineering der Rice University ko-leitet. Sie wurde auf der International Conference on Robotics and Automation des Institute of Electrical and Electronics Engineers präsentiert.

Mensch im Entscheidungsprozess

Laut der Studie hält der Algorithmus einen Menschen im Entscheidungsprozess, um die Wahrnehmung des Roboters zu erweitern und wichtige Bewegungen zu verhindern.

Das Team kombinierte Bayesianische inverse Verstärkungslernmethode mit etablierten Bewegungsplanungstechniken, um Robotern mit vielen beweglichen Teilen zu helfen.

Um BLIND zu testen, wurde ein Roboter mit einem gelenkigen Arm mit sieben Gelenken beauftragt, eine kleine Zylinder von einem Tisch zu nehmen und zu einem anderen zu bewegen. Allerdings musste der Roboter zuerst an einer Barriere vorbeikommen.

“Wenn Sie mehr Gelenke haben, sind die Anweisungen für den Roboter kompliziert”, sagte Quintero-Peña. “Wenn Sie einen Menschen anweisen, können Sie einfach sagen: ‘Heben Sie Ihre Hand’.”

Ein Roboter benötigt jedoch Programme, die spezifisch über die Bewegung jedes Gelenks an jedem Punkt seiner Bahn sind, und dies wird noch wichtiger, wenn es Hindernisse gibt, die seine “Sicht” blockieren.

Lernen, “um” Hindernisse zu “sehen”

BLIND programmiert keine Bahn im Voraus. Stattdessen wird ein Mensch in den Entscheidungsprozess eingefügt, um die von dem Algorithmus des Roboters vorgeschlagenen Choreographien zu verfeinern.

“BLIND ermöglicht es uns, Informationen im Kopf des Menschen zu verwenden und unsere Bahnen in diesem hochgradig flexiblen Raum zu berechnen”, sagte Quintero-Peña. “Wir verwenden eine spezielle Art von Feedback, genannt Kritik, im Grunde eine binäre Form von Feedback, bei der dem Menschen Labels auf Teilen der Bahn gegeben werden.”

Die Labels erscheinen als verbundene grüne Punkte, die mögliche Pfade darstellen. Wenn BLIND von Punkt zu Punkt geht, genehmigt oder ablehnt der Mensch jede Bewegung, verfeinert den Pfad und vermeidet Hindernisse.

“Es ist eine einfache Schnittstelle für Menschen, die sie verwenden können, weil wir sagen können: ‘Ich mag das’ oder ‘Ich mag das nicht’, und der Roboter verwendet diese Informationen, um zu planen”, sagte Chamzas. Der Roboter kann seine Aufgabe ausführen, nachdem er für seine Bewegungen belohnt wurde.

“Eine der wichtigsten Dinge hier ist, dass menschliche Präferenzen schwer mit einer mathematischen Formel zu beschreiben sind”, sagte Quintero-Peña. “Unsere Arbeit vereinfacht die Beziehungen zwischen Menschen und Robotern, indem sie menschliche Präferenzen einbezieht. Das ist, wie ich denke, wo Anwendungen den größten Nutzen aus dieser Arbeit ziehen werden.”

Kavraki hat an fortschrittlicher Programmierung für NASA’s humanoiden Robonaut auf der Internationalen Raumstation gearbeitet.

“Diese Arbeit zeigt wunderbar, wie eine kleine, aber gezielte menschliche Intervention die Fähigkeiten von Robotern erheblich verbessern kann, um komplexe Aufgaben in Umgebungen auszuführen, in denen einige Teile völlig unbekannt für den Roboter, aber bekannt für den Menschen sind”, sagte Kavraki.

“Es zeigt, wie Methoden für die Interaktion zwischen Menschen und Robotern, das Forschungsthema meines Kollegen Professor Unhelkar, und automatisierte Planung, die seit Jahren in meinem Labor entwickelt wurde, kombiniert werden können, um zuverlässige Lösungen zu liefern, die auch menschliche Präferenzen respektieren.”