Robots leren menselijke voorkeuren te anticiperen voor verbeterde samenwerking

Mensen beschikken over het unieke vermogen om de doelen, wensen en overtuigingen van anderen te begrijpen, wat cruciaal is voor het anticiperen op handelingen en effectief samenwerken. Deze vaardigheid, bekend als “theorie van geest”, is aangeboren, maar blijft een uitdaging voor robots. Als robots echter echt collaboratieve helpers willen worden in de productie en het dagelijks leven, moeten ze deze vermogens ook leren.

In een nieuw paper, dat finalist was voor de beste paper award op de ACM/IEEE International Conference on Human-Robot Interaction (HRI), streven computerwetenschapsonderzoekers van USC Viterbi ernaar robots te leren menselijke voorkeuren te voorspellen bij assemblagetaken. Dit zal robots in staat stellen om op een dag te assisteren bij diverse taken, van het bouwen van satellieten tot het dekken van een tafel.

“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.”

Een nieuwe benadering voor het voorspellen van menselijke handelingen

Het voorspellen van menselijke handelingen kan uitdagend zijn, omdat verschillende mensen dezelfde taak op verschillende manieren willen voltooien. Huidige technieken vereisen dat mensen demonstreren hoe ze de assemblage willen uitvoeren, wat tijdrovend en contraproductief kan zijn. Om dit probleem aan te pakken, ontdekten de onderzoekers overeenkomsten in de manier waarop individuen verschillende producten assembleren en gebruikten deze kennis om voorkeuren te voorspellen.

In plaats van individuen te laten “tonen” wat hun voorkeuren zijn in een complexe taak, creëerden de onderzoekers een kleine assemblagetask (aangeduid als een “canonieke” taak) die snel en eenvoudig uitgevoerd kon worden. De robot zou vervolgens de mens die de taak uitvoert met een camera “observeren” en machinaal leren inzetten om de voorkeur van de persoon te leren op basis van de volgorde van handelingen in de canonieke taak.

In een gebruikerstest kon het systeem van de onderzoekers menselijke handelingen voorspellen met ongeveer 82 % nauwkeurigheid. Deze benadering bespaart niet alleen tijd en moeite, maar helpt ook het vertrouwen tussen mens en robot op te bouwen. Ze kan nuttig zijn in industriële omgevingen, waar werknemers producten op grote schaal assembleren, evenals voor personen met een beperking of beperkte mobiliteit die hulp nodig hebben bij het assembleren van producten.

Naar een toekomst van verbeterde mens-robot samenwerking

Het doel van de onderzoekers is niet om menselijke arbeiders te vervangen, maar om de veiligheid en productiviteit in mens‑robot hybride fabrieken te verbeteren door robots niet‑waarde‑toevoegende of ergonomisch uitdagende taken te laten uitvoeren. Toekomstig onderzoek zal zich richten op het ontwikkelen van een methode om automatisch canonieke taken te ontwerpen voor verschillende soorten assemblagetaken en op het evalueren van de voordelen van het leren van menselijke voorkeuren uit korte taken en het voorspellen van handelingen in complexe taken in diverse contexten, zoals persoonlijke assistentie in woningen.

“Een robot die snel onze voorkeuren kan leren, kan ons helpen een maaltijd te bereiden, meubels te verplaatsen of huisreparaties uit te voeren, met een aanzienlijke impact op ons dagelijks leven,” zei Nikolaidis.