Onderzoekers ontwikkelen kader om robots sociale vaardigheden te geven

Onderzoekers aan het Massachusetts Institute van Technology (MIT) hebben een besturingskader ontwikkeld om robots sociale vaardigheden te geven. Het kader stelt machines in staat om te begrijpen wat het betekent om elkaar te helpen of te hinderen, evenals om sociale gedragingen zelf te leren uitvoeren.

Een robot kijkt naar zijn metgezel in een gesimuleerde omgeving voordat hij raadt welke taak hij wil uitvoeren. Hij helpt of hindert de andere robot vervolgens op basis van zijn eigen doelen.

De onderzoekers hebben ook aangetoond dat hun model realistische en voorspelbare sociale interacties creëert. Toen menselijke kijkers video’s van de gesimuleerde robots zagen die met elkaar communiceerden, waren ze het eens met het model over welk sociaal gedrag plaatsvond.

Door robots in staat te stellen sociale vaardigheden te vertonen, kunnen we positievere interacties tussen mensen en robots bereiken. Het nieuwe model kan ook wetenschappers in staat stellen sociale interacties kwantitatief te meten.

Boris Katz is de hoofdonderzoeker en hoofd van de InfoLab-groep in het Computer Science and Artificial Intelligence Laboratory (CSAIL), evenals lid van het Center for Brains, Minds, and Machines (CBMM).

“Robots zullen binnenkort in onze wereld leven en ze moeten echt leren hoe ze met ons op menselijke voorwaarden kunnen communiceren. Ze moeten begrijpen wanneer het tijd is om te helpen en wanneer het tijd is om te zien wat ze kunnen doen om iets te voorkomen. Dit is zeer vroeg werk en we krabben nauwelijks aan de oppervlakte, maar ik denk dat dit de eerste serieuze poging is om te begrijpen wat het betekent voor mensen en machines om sociaal te communiceren,” zegt Katz.

Het onderzoek omvatte ook co-hoofdauteur Ravi Tejwani, een onderzoeksassistent bij CSAIL; co-hoofdauteur Yen-Ling Kuo, een CSAIL-promovendus; Tianmin Shu, een postdoc in de afdeling Brain and Cognitive Sciences; en senior auteur Andrei Barbu, een onderzoeker bij CSAIL.

Sociale interacties bestuderen

De onderzoekers hebben een gesimuleerde omgeving gecreëerd waarin robots fysieke en sociale doelen nastreven terwijl ze navigeren door een tweedimensionale grid, waardoor het team sociale interacties kon bestuderen.

De robots kregen fysieke en sociale doelen. Een fysiek doel is gerelateerd aan de omgeving, terwijl een sociaal doel iets kan zijn als een robot raden wat een andere probeert te doen voordat hij zijn eigen acties daarop baseert.

Het model wordt gebruikt om te specificeren wat de fysieke doelen van een robot zijn, wat zijn sociale doelen zijn en hoeveel nadruk er op een van beide moet worden gelegd. Als een robot acties uitvoert die hem dichter bij zijn doel brengen, wordt hij beloond. Als een robot probeert zijn metgezel te helpen, past hij zijn beloning aan om overeen te komen met die van de andere. Als een robot probeert de andere te hinderen, past hij zijn beloning dienovereenkomstig aan. Een algoritme beslist welke acties een robot moet uitvoeren en het gebruikt het beloningsysteem om fysieke en sociale doelen te bereiken.

“We hebben een nieuwe wiskundige basis gecreëerd voor hoe je sociale interactie tussen twee agenten modelleert. Als je een robot bent en je wilt naar locatie X gaan, en ik ben een andere robot en ik zie dat je naar locatie X probeert te gaan, kan ik samenwerken door je te helpen sneller naar locatie X te gaan. Dat kan betekenen dat ik X dichter bij je breng, een betere X vind of welke actie ik ook moet uitvoeren op X. Onze formulering stelt het plan in staat om te ontdekken hoe; we specificeren het wat in termen van wat sociale interacties wiskundig betekenen,” zegt Tejwani.

De onderzoekers gebruiken het wiskundige kader om drie soorten robots te definiëren. Een niveau 0-robot heeft alleen fysieke doelen, terwijl een niveau 1-robot zowel fysieke als sociale doelen heeft, maar aanneemt dat anderen alleen fysieke doelen hebben. Dit betekent dat niveau 1-robots acties uitvoeren op basis van de fysieke doelen van anderen, zoals helpen of hinderen. Een niveau 2-robot aanneemt dat anderen zowel sociale als fysieke doelen hebben en deze robots kunnen meer geavanceerde acties uitvoeren.

Het model testen

De onderzoekers vonden dat hun model overeenkwam met wat mensen dachten over de sociale interacties die in elke frame plaatsvonden.

“We hebben een langetermijnbelang, zowel om computationele modellen voor robots te bouwen als om dieper in de menselijke aspecten te graven. We willen ontdekken welke kenmerken uit deze video’s mensen gebruiken om sociale interacties te begrijpen. Kunnen we een objectieve test maken voor je vermogen om sociale interacties te herkennen? Misschien is er een manier om mensen te leren sociale interacties te herkennen en hun vaardigheden te verbeteren. We zijn nog ver weg, maar zelfs als we alleen al in staat zijn om sociale interacties effectief te meten, is dat een grote stap vooruit,” zegt Barbu.

Het team werkt nu aan het ontwikkelen van een systeem met 3D-agenten in een omgeving die meer soorten interacties toelaat. Ze willen het model ook aanpassen om omgevingen te includeren waarin acties kunnen mislukken en ze plannen om een op een neurale netwerk gebaseerde robotplanner in het model te integreren. Ten slotte zullen ze een experiment uitvoeren om gegevens te verzamelen over de kenmerken die mensen gebruiken om te bepalen of twee robots een sociale interactie aangaan.