Forskere utvikler rammeverk for å gi roboter sosiale ferdigheter

Forskere ved Massachusetts Institute of Technology (MIT) har utviklet et kontrollrammeverk for å gi roboter sosiale ferdigheter. Rammeverket gjør det mulig for maskiner å forstå hva det betyr å hjelpe eller hindre hverandre, samt å lære å utføre sosiale atferd på egen hånd. 

En robot observerer sin medarbeider i en simulert miljø før den gjetter hva oppgaven er den ønsker å fullføre. Den hjelper eller hindrer deretter den andre roboten basert på sine egne mål. 

Forskerne har også demonstrert at deres modell skaper realistiske og forutsigbare sosiale interaksjoner. Når menneskelige seere ble vist videoer av de simulerte robotene som interagerer med hverandre, var de enige med modellen om hvilken sosial atferd som skjedde.

Ved å aktivere roboter til å vise sosiale ferdigheter, kan vi oppnå mer positive menneske-robot-interaksjoner. Den nye modellen kan også gjøre det mulig for vitenskapsmenn å måle sosiale interaksjoner kvantitativt. 

Boris Katz er hovedforsker og leder av InfoLab-gruppen i Computer Science and Artificial Intelligence Laboratory (CSAIL), samt medlem av Center for Brains, Minds, and Machines (CBMM). 

“Robotene kommer til å leve i vår verden snart nok, og de må virkelig lære å kommunisere med oss på menneskelige vilkår. De må forstå når det er tid for dem å hjelpe og når det er tid for dem å se hva de kan gjøre for å forhindre noe fra å skje. Dette er svært tidlig arbeid, og vi har knapt skrapet overflaten, men jeg føler at dette er det første virkelig alvorlige forsøket på å forstå hva det betyr for mennesker og maskiner å interagere sosialt,” sier Katz.

Forskningen inkluderte også med-forfatter Ravi Tejwani, en forskningsassistent ved CSAIL; med-forfatter Yen-Ling Kuo, en CSAIL-phd-student; Tianmin Shu, en postdoktor i avdelingen for hjernen og kognitive vitenskaper; og seniorforfatter Andrei Barbu, en forsker ved CSAIL. 

Studier av sosiale interaksjoner

Forskerne skapte en simulert miljø hvor roboter forfølger fysiske og sosiale mål mens de navigerer rundt i en todimensjonal rutenett, noe som gjorde det mulig for teamet å studere sosial interaksjon.

Robotene fikk fysiske og sosiale mål. Et fysisk mål relaterer til miljøet, mens et sosialt mål kunne være noe som en robot gjetter hva en annen prøver å oppnå før den baserer sine egne handlinger på den prediksjonen. 

Modellen brukes til å spesifisere hva en robots fysiske mål er, hva dens sosiale mål er, og hvor mye vekt som skal legges på det ene eller det andre. Hvis roboten utfører handlinger som bringer den nærmere målet, blir den belønnet. Hvis roboten prøver å assistere sin medarbeider, justerer den sin belønning for å matche den andre. Hvis roboten prøver å hindre den andre, justerer den sin belønning i henhold til. En algoritme bestemmer hvilke handlinger en robot skal utføre, og den bruker belønningssystemet til å guide den til å utføre fysiske og sosiale mål.

“Vi har åpnet et nytt matematisk rammeverk for hvordan du modellerer sosial interaksjon mellom to agenter. Hvis du er en robot, og du ønsker å gå til sted X, og jeg er en annen robot og jeg ser at du prøver å gå til sted X, kan jeg samarbeide ved å hjelpe deg å komme til sted X raskere. Det kan bety å flytte X nærmere deg, finne en annen bedre X, eller utføre hvilken som helst handling du hadde å utføre på X. Vår formulering gjør det mulig for planen å oppdage ‘hvordan’; vi spesifiserer ‘hva’ i form av hva sosiale interaksjoner betyr matematisk,” sier Tejwani.

Forskerne bruker det matematiske rammeverket til å definere tre typer roboter. En nivå 0-robot har bare fysiske mål, mens en nivå 1-robot har både fysiske og sosiale mål, men antar at alle andre bare har fysiske mål. Dette betyr at nivå 1-roboter tar handlinger basert på de fysiske målene til andre, som å hjelpe eller hindre. En nivå 2-robot antar at andre har sosiale og fysiske mål, og disse robotene kan ta mer avanserte handlinger. 

Testing av modellen

Forskerne fant at deres modell var enig med hva mennesker mente om de sosiale interaksjonene som skjedde i hver ramme. 

“Vi har en langvarig interesse, både til å bygge komputermodeller for roboter, men også til å grave dyptere inn i de menneskelige aspektene av dette. Vi ønsker å finne ut hva egenskapene fra disse videoene mennesker bruker til å forstå sosiale interaksjoner. Kan vi lage en objektiv test for din evne til å gjenkjenne sosiale interaksjoner? Kanskje det finnes en måte å lære mennesker å gjenkjenne disse sosiale interaksjonene og forbedre deres evner. Vi er langt ifra dette, men selv å kunne måle sosiale interaksjoner effektivt er et stort skritt fremover,” sier Barbu.

Teamet arbeider nå med å utvikle et system med 3D-agenter i en miljø som tillater flere typer interaksjoner. De ønsker også å modifisere modellen til å inkludere miljøer hvor handlinger kan feile, og de planlegger å inkorporere en neural nettverksbasert robotplanlegger i modellen. Til slutt vil de se på å kjøre en eksperiment for å samle data om egenskapene mennesker bruker til å bestemme om to roboter er engasjert i en sosial interaksjon.