Nowa metoda umożliwia ludziom pomaganie robotom w „widzeniu” ich otoczenia

Zespół inżynierów z Uniwersytetu Rice opracował nową metodę, która umożliwia ludziom pomaganie robotom w „widzeniu” ich otoczenia i wykonywaniu różnych zadań.

Nowa strategia nosi nazwę Bayesian Learning IN the Dark (BLIND) i jest nowym rozwiązaniem problemu planowania ruchu dla robotów działających w środowiskach, w których występują czasem punkty ślepe.

Badanie zostało przeprowadzone przez komputerowych naukowców Lydi Kavraki i Vaibhava Unhelkara, a współkierowali nim Carlos Quintero-Peña i Constantinos Chamzas z Wydziału Inżynierii George’a R. Browna Uniwersytetu Rice. Zostało ono przedstawione na Międzynarodowej Konferencji Instytutu Inżynierów Elektrycznych i Elektroników poświęconej robotyce i automatyce.

Człowiek w pętli

Zgodnie z badaniem, algorytm utrzymuje człowieka w pętli, aby „uzupełnić percepcję robota i, co ważne, zapobiec wykonaniu niebezpiecznych ruchów”.

Zespół połączył bayesowskie odwrotne uczenie wzmacnianie z ustalonymi technikami planowania ruchu, aby pomóc robotom z wieloma ruchomymi częściami.

Aby przetestować BLIND, robot z wyrafinowanym ramieniem o siedmiu stawach został wyposażony w małą cylindryczną część z tabeli, a następnie przeniesiony do innego miejsca. Jednak robot musiał najpierw ominąć barierę.

“Jeśli masz więcej stawów, instrukcje dla robota są skomplikowane”, powiedział Quintero-Peña. “Jeśli kierujesz człowiekiem, możesz po prostu powiedzieć: «Podnieś rękę»”.

Jednak robot wymaga programów, które są szczegółowe co do ruchu każdego stawu w każdym punkcie jego trajektorii, a to staje się jeszcze ważniejsze, gdy są przeszkody blokujące jego „widzenie”.

Ucząc się „widzieć” wokół przeszkód

BLIND nie programuje trajektorii z wyprzedzeniem. Zamiast tego, wstawia człowieka w trakcie procesu, aby udoskonalić zaproponowane przez algorytm robota opcje choreografii.

“BLIND pozwala nam wziąć informacje z głowy człowieka i obliczyć nasze trajektorie w tym wysokim stopniu swobody”, powiedział Quintero-Peña. “Używamy specyficznej metody zwrotnej informacji zwanej krytyką, podstawowo binarną formą informacji zwrotnej, w której człowiek otrzymuje etykiety na fragmentach trajektorii”.

Etykiety pojawiają się jako połączone zielone kropki, reprezentujące możliwe ścieżki. Podczas gdy BLIND przechodzi od kropki do kropki, człowiek akceptuje lub odrzuca każdy ruch, udoskonalał ścieżkę i unikając przeszkód.

“To łatwy interfejs dla ludzi do użytku, ponieważ możemy powiedzieć: «Lubię to» lub «Nie lubię tego», a robot wykorzystuje tę informację do planowania”, powiedział Chamzas. Robot może wykonać swoje zadanie po tym, jak zostanie nagrodzony za swoje ruchy.

“Jedną z najważniejszych rzeczy tutaj jest to, że preferencje ludzi są trudne do opisania za pomocą matematycznego wzoru”, powiedział Quintero-Peña. “Nasza praca upraszcza relacje człowiek-robot, wprowadzając preferencje ludzi. To, jak myślę, jest sposobem, w jaki aplikacje uzyskają największą korzyść z tej pracy”.

Kavraki pracowała nad zaawansowanym programowaniem dla humanoidnego robota NASA Robonauta na Międzynarodowej Stacji Kosmicznej.

“Ta praca wspaniale ilustruje, jak niewielka, ale ukierunkowana interwencja człowieka może znacznie zwiększyć możliwości robotów do wykonywania złożonych zadań w środowiskach, w których niektóre części są całkowicie nieznane robotowi, ale znane człowiekowi”, powiedziała Kavraki.

“Pokazuje, jak metody interakcji człowiek-robot, temat badań mojego kolegi profesora Unhelkara, oraz planowanie automatyczne, które przez lata było prowadzone w moim laboratorium, mogą się połączyć, aby dostarczyć niezawodne rozwiązania, które również szanują preferencje ludzi”.