Νέα Μέθοδος Επιτρέπει στους Ανθρώπους να Βοηθούν τους Ρομπότ να “Δουν” το Περιβάλλον τους

Μια ομάδα μηχανικών στο Πανεπιστήμιο Rice έχει αναπτύξει μια νέα μέθοδο που επιτρέπει στους ανθρώπους να βοηθούν τους ρομπότ να “δουν” το περιβάλλον τους και να ολοκληρώσουν διάφορες εργασίες.

Η νέα στρατηγική ονομάζεται Bayesian Learning IN the Dark (BLIND), η οποία είναι μια καινοτόμος λύση στο πρόβλημα της κίνησης των ρομπότ σε περιβάλλοντα όπου υπάρχουν иногда τυφλά σημεία.

Η μελέτη διηύθυνε από τους επιστήμονες υπολογιστών Lydi Kavraki και Vaibhav Unhelkar και συνδιηύθυνε από τους Carlos Quintero-Peña και Constantinos Chamzas του Τμήματος Μηχανικής του Πανεπιστημίου Rice. Παρουσιάστηκε στη Διεθνή Διάσκεψη Ρομποτικής και Αυτοματοποίησης του Ινστιτούτου Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών.

Ο Άνθρωπος στη Διαδικασία

Σύμφωνα με τη μελέτη, ο αλγόριθμος διατηρεί τον άνθρωπο στη διαδικασία για να “ενισχύσει την αντίληψη του ρομπότ και, σημαντικά, να αποτρέψει την εκτέλεση ασφαλών κινήσεων.”

Η ομάδα συνδύασε τη Bayesian αντίστροφη ενίσχυση με καθιερωμένες τεχνικές κίνησης για να βοηθήσει τα ρομπότ με πολλά κινούμενα μέρη.

Για να δοκιμάσει το BLIND, ένα ρομπότ με einen άρθρωτο βραχίονα με επτά αρθρώσεις είχε την任务 να πιάσει ένα μικρό κύλινδρο από ένα τραπέζι πριν μεταφέρει σε ένα άλλο. Ωστόσο, το ρομπότ έπρεπε πρώτα να κινηθεί πέρα από ένα εμπόδιο.

“Εάν έχετε περισσότερα αρθρώματα, οι οδηγίες προς το ρομπότ είναι σύνθετες,” είπε ο Quintero-Peña. “Εάν οδηγείτε έναν άνθρωπο, μπορείτε απλώς να πείτε, ‘Σήκω το χέρι σου.'”

Ωστόσο, ένα ρομπότ απαιτεί προγράμματα που είναι συγκεκριμένα για την κίνηση κάθε αρθρώματος σε κάθε σημείο της τροχιάς του, και αυτό γίνεται ακόμη πιο σημαντικό όταν υπάρχουν εμπόδια που μπλοκάρουν την “όρασή” του.

Μάθηση για να “Δείτε” Γύρω από Εμπόδια

Το BLIND δεν προγραμματίζει μια τροχιά από πριν. Αντίθετα, εισάγει έναν άνθρωπο στη μέση της διαδικασίας για να εξευγενίσει τις χορογραφημένες επιλογές που προτείνει ο αλγόριθμος του ρομπότ.

“Το BLIND μας επιτρέπει να λαμβάνουμε πληροφορίες από το μυαλό του ανθρώπου και να υπολογίζουμε τις τροχιές μας σε αυτό το χώρο υψηλού βαθμού ελευθερίας,” είπε ο Quintero-Peña. “Χρησιμοποιούμε einen συγκεκριμένο τρόπο ανατροφοδότησης που ονομάζεται κριτική, βασικά μια δυαδική μορφή ανατροφοδότησης όπου ο άνθρωπος λαμβάνει ετικέτες σε τμήματα της τροχιάς.”

Οι ετικέτες εμφανίζονται ως συνδεδεμένα πράσινα σημεία, που αντιπροσωπεύουν δυνατές διαδρομές. Όσο το BLIND προχωρά από σημείο σε σημείο, ο άνθρωπος εγκρίνει ή απορρίπτει κάθε κίνηση, εξευγενίζοντας τη διαδρομή και αποφεύγοντας εμπόδια.

“Είναι ένα εύχρηστο διεπαφή για τους ανθρώπους να χρησιμοποιούν, επειδή μπορούμε να πούμε, ‘Μου αρέσει αυτό’ ή ‘Δεν μου αρέσει αυτό,’ και το ρομπότ χρησιμοποιεί αυτές τις πληροφορίες για να σχεδιάσει,” είπε ο Chamzas. Το ρομπότ μπορεί να εκτελέσει την εργασία του μετά τη βράβευση για τις κινήσεις του.

“Ένα από τα πιο σημαντικά πράγματα εδώ είναι ότι οι προτιμήσεις των ανθρώπων είναι δύσκολο να περιγραφούν με μια μαθηματική формуλή,” είπε ο Quintero-Peña. “Η δουλειά μας απλοποιεί τις σχέσεις ανθρώπου-ρομπότ ενσωματώνοντας τις προτιμήσεις των ανθρώπων. Αυτός είναι ο τρόπος με τον οποίο νομίζω ότι οι εφαρμογές θα επωφεληθούν περισσότερο από αυτή τη δουλειά.”

Η Kavraki έχει εργαστεί με προηγμένα προγράμματα για το ανθρωπόμορφο ρομπότ Robonaut του NASA στο Διεθνή Διαστημικό Σταθμό.

“Αυτή η δουλειά είναι ένα υπέροχο παράδειγμα του πώς μια μικρή, αλλά στοχευμένη, ανθρώπινη παρέμβαση μπορεί να ενισχύσει σημαντικά τις ικανότητες των ρομπότ να εκτελέσουν σύνθετες εργασίες σε περιβάλλοντα όπου κάποια μέρη είναι πλήρως άγνωστα στο ρομπότ αλλά γνωστά στον άνθρωπο,” είπε η Kavraki.

“Δείχνει πώς οι μέθοδοι για την αλληλεπίδραση ανθρώπου-ρομπότ, το θέμα της έρευνας του συνάδελφού μου Καθηγητή Unhelkar, και η αυτοματοποιημένη σχεδίαση που πρωτοπορήθηκε για χρόνια στο εργαστήριό μου μπορούν να συνδυαστούν για να παρέχουν αξιόπιστες λύσεις που σέβονται επίσης τις προτιμήσεις των ανθρώπων.”