Ny metode gjør det mulig for mennesker å hjelpe roboter med å “se” sine omgivelser

Et team av ingeniører ved Rice University har utviklet en ny metode som gjør det mulig for mennesker å hjelpe roboter med å “se” sine omgivelser og fullføre ulike oppgaver.

Den nye strategien kalles Bayesian Learning IN the Dark (BLIND), som er en ny løsning på problemet med bevegelsesplanlegging for roboter som opererer i miljøer der det kan være blinde flekker.

Studien ble ledet av datavitenskapsmennene Lydi Kavraki og Vaibhav Unhelkar, og medledet av Carlos Quintero-Peña og Constantinos Chamzas fra Rice’s George R. Brown School of Engineering. Den ble presentert på Institute of Electrical and Electronics Engineers’ internasjonale konferanse om robotikk og automatisering.

Menneske i løkken

Ifølge studien holder algoritmen et menneske i løkken for å “utvide robotens persepsjon og, viktigst, forhindre utføring av usikre bevegelser”.

Teamet kombinerte Bayesian inverse forsterkning med etablerte bevegelsesplanleggingsteknikker for å hjelpe roboter med mange bevegelige deler.

For å teste BLIND, ble en robot med en artikulert arm med syv ledd satt til å plukke opp en liten sylinder fra et bord før den flyttet den til et annet. Men først måtte roboten først bevege seg forbi en barriere.

“Hvis du har flere ledd, er instruksjonene til roboten kompliserte”, sa Quintero-Peña. “Hvis du dirigerer et menneske, kan du bare si ‘Lift opp hånden’.”

Men en robot krever programmer som er spesifikke om bevegelsen av hver enkelt ledd i hver del av dens bane, og dette blir enda viktigere når det er hindringer som blokkerer dens “syn”.

Lære å “se” rundt hindringer

BLIND programmerer ikke en bane på forhånd. I stedet setter den inn et menneske midt i prosessen for å finjustere de koreograferte valg som foreslås av robotens algoritme.

“BLIND lar oss ta informasjon i menneskets hode og beregne våre baner i dette høyt grad av frihet-rommet”, sa Quintero-Peña. “Vi bruker en spesifik måte å tilbakemelding kalt kritikk, basert på en binær form for tilbakemelding der mennesket får merker på deler av banen.”

Merkene vises som sammenkoblede grønne punkter, som representerer mulige baner. Mens BLIND går fra punkt til punkt, godkjenner eller avviser mennesket hver enkelt bevegelse, og finjusterer banen og unngår hindringer.

“Det er et enkelt grensesnitt for mennesker å bruke, fordi vi kan si ‘Jeg liker dette’ eller ‘Jeg liker ikke det’, og roboten bruker denne informasjonen til å planlegge”, sa Chamzas. Roboten kan utføre oppgaven sin etter å ha blitt belønnet for sine bevegelser.

“En av de viktigste tingene her er at menneskelige preferanser er vanskelige å beskrive med en matematisk formel”, sa Quintero-Peña. “Vårt arbeid forenkler menneske-robot-relasjoner ved å inkorporere menneskelige preferanser. Det er hvordan jeg tror applikasjoner vil få mest nytte av dette arbeidet.”

Kavraki har arbeidet med avansert programmering for NASA’s humanoid Robonaut ombord på Den internasjonale romstasjonen.

“Dette arbeidet er et fantastisk eksempel på hvordan en liten, men målrettet, menneskelig intervensjon kan betydelig forbedre robotens evne til å utføre komplekse oppgaver i miljøer der noen deler er fullstendig ukjente for roboten, men kjente for mennesket”, sa Kavraki.

“Det viser hvordan metoder for menneske-robot-interaksjon, tema for forskning av min kollega Professor Unhelkar, og automatisert planlegging som har vært ledet i årevis på mitt laboratorium, kan blande seg til å levere pålitelige løsninger som også respekterer menneskelige preferanser.”