Lære roboter å forutse menneskelige preferanser for forbedret samarbeid

Mennesker har den unike evnen til å forstå andres mål, ønsker og overbevisninger, noe som er avgjørende for å forutse handlinger og samarbeide effektivt. Denne ferdigheten, kjent som «theory of mind», er medfødt, men utgjør fortsatt en utfordring for roboter. Hvis roboter skal bli virkelig samarbeidsvillige hjelpere i produksjon og hverdagsliv, må de også lære seg disse evnene.

I et nytt artikkel, som var finalist til beste papir-pris på ACM/IEEE International Conference on Human-Robot Interaction (HRI), har datavitenskapforskere fra USC Viterbi som mål å lære roboter å forutsi menneskelige preferanser i monteringsoppgaver. Dette vil en dag gjøre det mulig for roboter å bistå i ulike oppgaver, fra å bygge satellitter til å dekke bordet.

“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.”

En ny tilnærming til å forutsi menneskelige handlinger

Å forutsi menneskelige handlinger kan være utfordrende, da ulike personer foretrekker å fullføre den samme oppgaven på forskjellige måter. Nåværende teknikker krever at folk demonstrerer hvordan de ønsker å utføre monteringen, noe som kan være tidkrevende og kontraproduktivt. For å løse dette oppdaget forskerne likheter i hvordan individer monterer ulike produkter, og brukte denne kunnskapen til å forutsi preferanser.

I stedet for å kreve at individer «viser» roboten sine preferanser i en kompleks oppgave, laget forskerne en liten monteringsoppgave (kalt en «kanonisk» oppgave) som kunne utføres raskt og enkelt. Robotens oppgave var deretter å «observere» mennesket som fullførte oppgaven ved hjelp av et kamera, og bruke maskinlæring til å lære personens preferanse basert på sekvensen av handlinger i den kanoniske oppgaven.

I en brukerstudie klarte forskernes system å forutsi menneskelige handlinger med omtrent 82 % nøyaktighet. Denne tilnærmingen sparer ikke bare tid og innsats, men bidrar også til å bygge tillit mellom mennesker og roboter. Den kan være nyttig i industrielle miljøer, hvor arbeidere monterer produkter i stor skala, samt for personer med funksjonsnedsettelser eller begrenset mobilitet som trenger hjelp til montering av produkter.

Mot en fremtid med forbedret menneske-robot-samarbeid

Forskerens mål er ikke å erstatte menneskelige arbeidere, men å forbedre sikkerhet og produktivitet i menneske-robot‑hybride fabrikker ved å la roboter utføre ikke‑verdiskapende eller ergonomisk utfordrende oppgaver. Fremtidig forskning vil fokusere på å utvikle en metode for automatisk å designe kanoniske oppgaver for ulike typer monteringsoppgaver, samt evaluere fordelene ved å lære menneskelige preferanser fra korte oppgaver og forutsi handlinger i komplekse oppgaver i ulike kontekster, som personlig assistanse i hjem.

“En robot som raskt kan lære våre preferanser, kan hjelpe oss med å tilberede et måltid, omorganisere møbler eller utføre husreparasjoner, og ha en betydelig innvirkning på vårt daglige liv,” sa Nikolaidis.