Nieuwe methode stelt mensen in staat om robots te helpen hun omgeving “te zien”

Een team van ingenieurs aan de Rice University heeft een nieuwe methode ontwikkeld die mensen in staat stelt om robots te helpen hun omgeving “te zien” en verschillende taken uit te voeren.

De nieuwe strategie heet Bayesian Learning IN the Dark (BLIND), een novelle oplossing voor het probleem van motion planning voor robots die opereren in omgevingen met soms blinde vlekken.

De studie werd geleid door computerwetenschappers Lydi Kavraki en Vaibhav Unhelkar en mede geleid door Carlos Quintero-Peña en Constantinos Chamzas van de George R. Brown School of Engineering van Rice. Het werd gepresenteerd op de International Conference on Robotics and Automation van het Institute of Electrical and Electronics Engineers.

Mens in de lus

Volgens de studie houdt de algoritme een mens in de lus om “de perceptie van de robot aan te vullen en, belangrijk, het uitvoeren van onveilige bewegingen te voorkomen”.

Het team combineerde Bayesian inverse reinforcement learning met gevestigde motion planning-technieken om robots met veel bewegende delen te helpen.

Om BLIND te testen, kreeg een robot met een gearticuleerde arm met zeven gewrichten de taak om een kleine cilinder van een tafel te pakken en naar een andere te verplaatsen. Echter, de robot moest eerst langs een barrière bewegen.

“Als je meer gewrichten hebt, zijn instructies voor de robot ingewikkeld”, zei Quintero-Peña. “Als je een mens aanwijzingen geeft, kun je gewoon zeggen: ‘Til je hand op’.”

Echter, een robot vereist programma’s die specifiek zijn over de beweging van elk gewricht op elk punt in zijn traject, en dit wordt nog belangrijker wanneer er obstakels zijn die zijn “zicht” blokkeren.

Leren “zien” rond obstakels

BLIND programmeert geen traject van tevoren. In plaats daarvan voegt het een mens toe halverwege het proces om de gechoreografeerde opties die door de algoritme van de robot worden voorgesteld, te verfijnen.

“BLIND stelt ons in staat om informatie in het hoofd van de mens te nemen en onze trajecten te berekenen in deze hoge-vrijheidsgraad-ruimte”, zei Quintero-Peña. “We gebruiken een speciale manier van feedback genaamd critique, eigenlijk een binaire vorm van feedback waarbij de mens labels op stukken van het traject krijgt.”

De labels verschijnen als verbonden groene stippen, die mogelijke paden vertegenwoordigen. Terwijl BLIND van stip tot stip gaat, keurt de mens elke beweging goed of af, waardoor het pad wordt verfijnd en obstakels worden vermeden.

“Het is een eenvoudig interface voor mensen om te gebruiken, omdat we kunnen zeggen: ‘Ik vind dit leuk’ of ‘Ik vind dat niet leuk’, en de robot gebruikt deze informatie om te plannen”, zei Chamzas. De robot kan zijn taak uitvoeren nadat hij is beloond voor zijn bewegingen.

“Een van de belangrijkste dingen hier is dat menselijke voorkeuren moeilijk te beschrijven zijn met een wiskundige formule”, zei Quintero-Peña. “Ons werk vereenvoudigt mens-robot-relaties door menselijke voorkeuren op te nemen. Dat is hoe ik denk dat toepassingen het meeste voordeel zullen halen uit dit werk.”

Kavraki heeft gewerkt aan geavanceerd programmeren voor NASA’s humanoid Robonaut aan boord van het Internationaal Ruimtestation.

“Dit werk toont prachtig hoe een kleine, maar gerichte, menselijke interventie de mogelijkheden van robots aanzienlijk kan vergroten om complexe taken uit te voeren in omgevingen waar sommige delen volledig onbekend zijn voor de robot maar bekend zijn bij de mens”, zei Kavraki.

“Het toont aan hoe methoden voor mens-robot-interactie, het onderwerp van onderzoek van mijn collega Professor Unhelkar, en geautomatiseerd plannen, die jarenlang in mijn laboratorium zijn ontwikkeld, kunnen worden gecombineerd om betrouwbare oplossingen te leveren die ook rekening houden met menselijke voorkeuren.”