Roboter lehren, menschliche Präferenzen vorherzusehen, um die Zusammenarbeit zu verbessern

Menschen besitzen die einzigartige Fähigkeit, die Ziele, Wünsche und Überzeugungen anderer zu verstehen, was entscheidend dafür ist, Handlungen vorherzusehen und effektiv zusammenzuarbeiten. Diese Fähigkeit, bekannt als „Theory of Mind“, ist uns angeboren, stellt jedoch für Roboter nach wie vor eine Herausforderung dar. Wenn Roboter jedoch wirklich kollaborative Helfer in der Fertigung und im Alltag werden sollen, müssen sie diese Fähigkeiten ebenfalls erlernen.

In einem neuen Paper, das als Finalist für den Best‑Paper‑Award auf der ACM/IEEE International Conference on Human‑Robot Interaction (HRI) nominiert wurde, wollen Computer‑Science‑Forscher der USC Viterbi Roboter dazu befähigen, menschliche Präferenzen bei Montageaufgaben vorherzusagen. Dadurch könnten Roboter eines Tages bei verschiedensten Aufgaben unterstützen, vom Bau von Satelliten bis zum Decken eines Tisches.

“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.”

Ein neuer Ansatz zur Vorhersage menschlicher Handlungen

Predicting human actions can be challenging, as different people prefer to complete the same task in various ways. Current techniques require people to demonstrate how they would like to perform the assembly, which can be time-consuming and counterproductive. To address this issue, the researchers discovered similarities in how individuals assemble different products and used this knowledge to predict preferences.

Anstatt von Einzelpersonen zu verlangen, dem Roboter ihre Präferenzen in einer komplexen Aufgabe „zu zeigen“, entwickelten die Forscher eine kleine Montageaufgabe (genannt „kanonische“ Aufgabe), die schnell und einfach durchgeführt werden kann. Der Roboter würde dann den Menschen bei der Ausführung der Aufgabe mit einer Kamera „beobachten“ und mittels maschinellen Lernens die Präferenz der Person anhand ihrer Aktionssequenz in der kanonischen Aufgabe erlernen.

In einer Nutzerstudie konnte das System der Forscher menschliche Handlungen mit etwa 82 % Genauigkeit vorhersagen. Dieser Ansatz spart nicht nur Zeit und Aufwand, sondern stärkt auch das Vertrauen zwischen Menschen und Robotern. Er könnte in industriellen Umgebungen von Nutzen sein, in denen Arbeiter Produkte in großem Maßstab montieren, sowie für Personen mit Behinderungen oder eingeschränkter Mobilität, die Unterstützung beim Zusammenbauen von Produkten benötigen.

Hin zu einer Zukunft verbesserter Mensch‑Roboter‑Zusammenarbeit

The researchers’ goal is not to replace human workers but to improve safety and productivity in human-robot hybrid factories by having robots perform non-value-added or ergonomically challenging tasks. Future research will focus on developing a method to automatically design canonical tasks for different types of assembly tasks and evaluating the benefits of learning human preferences from short tasks and predicting actions in complex tasks in various contexts, such as personal assistance in homes.

“A robot that can quickly learn our preferences can help us prepare a meal, rearrange furniture, or do house repairs, having a significant impact on our daily lives,” said Nikolaidis.