Robottien opettaminen ennakoimaan ihmisten mieltymyksiä parempaa yhteistyötä varten

Ihmisillä on ainutlaatuinen kyky ymmärtää muiden tavoitteita, toiveita ja uskomuksia, mikä on ratkaisevan tärkeää toimien ennakoinnissa ja tehokkaassa yhteistyössä. Tätä taitoa, jota kutsutaan mielen teoriaksi, pidetään synnynnäisenä, mutta se on edelleen haaste roboteille. Jos robotit kuitenkin haluavat olla aidosti yhteistyöhön keskittyneitä avustajia valmistuksessa ja arjessa, niiden on opittava nämä kyvyt myös.

Uudessa artikkelissa, joka oli finalistina parhaan paperin palkinnolle ACM/IEEE:n International Conference on Human-Robot Interaction (HRI) -konferenssissa, USC Viterbin tietojenkäsittelytieteen tutkijat pyrkivät opettamaan robotit ennustamaan ihmisten mieltymyksiä kokoonpanotehtävissä. Tämä mahdollistaisi, että robotit voisivat tulevaisuudessa avustaa erilaisissa tehtävissä, satelliittien rakentamisesta pöydän kattamiseen.

“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.
“Kun työskentelet ihmisten kanssa, robotin on jatkuvasti arvattava, mitä henkilö tekee seuraavaksi,” sanoi pääkirjoittaja Heramb Nemlekar, USC:n tietojenkäsittelytieteen tohtoriopiskelija, jonka ohjaajana toimii tietojenkäsittelytieteen apulaisprofessori Stefanos Nikolaidis.
“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.”
“Esimerkiksi, jos robotti uskoo, että henkilölle tarvitaan ruuvimeisseli seuraavan osan kokoamiseen, se voi hakea ruuvimeisselin etukäteen, jotta henkilön ei tarvitse odottaa. Näin robotti voi auttaa ihmisiä saattamaan kokoamisen paljon nopeammin päätökseen.”

Uusi lähestymistapa ihmisten toimien ennustamiseen

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.
“Ihmisten toimien ennustaminen voi olla haastavaa, koska eri ihmiset haluavat suorittaa saman tehtävän eri tavoin. Nykyiset menetelmät edellyttävät, että ihmiset näyttävät, miten he haluavat tehdä kokoamisen, mikä voi olla aikaa vievää ja vastoin toivottua. Ratkaistakseen tämän ongelman tutkijat havaitsivat samankaltaisuuksia siinä, miten yksilöt kokoavat erilaisia tuotteita, ja hyödynsivät tätä tietoa mieltymysten ennustamiseen.”

Instead of requiring individuals to “show” the robot their preferences in a complex task, the researchers created a small assembly task (referred to as a “canonical” task) that could be quickly and easily performed. The robot would then “watch” the human complete the task using a camera and utilize machine learning to learn the person’s preference based on their sequence of actions in the canonical task.

“Sen sijaan, että vaadittaisiin yksilöiden \”näyttää\” robotille mieltymyksensä monimutkaisessa tehtävässä, tutkijat loivat pienen kokoamistehtävän (jota kutsutaan \”kanoniseksi\” tehtäväksi), jonka voi suorittaa nopeasti ja helposti. Robotin on sitten \”katsottava\” ihmisen suorittavan tehtävän kameran avulla ja hyödynnettävä koneoppimista oppiakseen henkilön mieltymyksen kanonisen tehtävän toimintasarjan perusteella.”

In a user study, the researchers’ system was able to predict human actions with around 82% accuracy. This approach not only saves time and effort but also helps build trust between humans and robots. It could be beneficial in industrial settings, where workers assemble products on a large scale, as well as for persons with disabilities or limited mobility who require assistance in assembling products.

“Käyttäjätestissä tutkijoiden järjestelmä pystyi ennustamaan ihmisten toimia noin 82 % tarkkuudella. Tämä lähestymistapa ei ainoastaan säästä aikaa ja vaivaa, vaan myös edistää luottamuksen rakentumista ihmisten ja robottien välillä. Se voisi olla hyödyllinen teollisissa ympäristöissä, joissa työntekijät kokoavat tuotteita suuressa mittakaavassa, sekä henkilöille, joilla on vamma tai rajoitettu liikkuvuus ja jotka tarvitsevat apua tuotteiden kokoamisessa.”

Kohti tulevaisuutta, jossa ihmisen ja robotin yhteistyö on tehostettu

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.
“Tutkijoiden tavoite ei ole korvata ihmistyöntekijöitä, vaan parantaa turvallisuutta ja tuottavuutta ihmisen‑robotin hybriditehtaissa antamalla robotien hoitaa ei‑arvoa tuottavia tai ergonomisesti haastavia tehtäviä. Tuleva tutkimus keskittyy kehittämään menetelmän, jolla voidaan automaattisesti suunnitella kanonisia tehtäviä erilaisiin kokoamistehtäviin, sekä arvioimaan lyhyistä tehtävistä opittavien ihmisten mieltymysten hyötyjä ja toimien ennustamista monimutkaisissa tehtävissä eri konteksteissa, kuten henkilökohtaisessa avustamisessa kodeissa.”

“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.

“\”Robotti, joka pystyy nopeasti oppimaan mieltymyksemme, voi auttaa meitä valmistamaan aterian, järjestämään huonekalut uudelleen tai tekemään kodin korjauksia, mikä vaikuttaa merkittävästi päivittäiseen elämäämme,\” sanoi Nikolaidis.