Ny metod gör det möjligt för människor att hjälpa robotar att ”se” sin omgivning

En grupp ingenjörer vid Rice University har utvecklat en ny metod som möjliggör för människor att hjälpa robotar att “se” sin omgivning och slutföra olika uppgifter.

Den nya strategin kallas Bayesian Learning IN the Dark (BLIND), som är en ny lösning på problemet med rörelseplanering för robotar som opererar i miljöer där det ibland finns blinda fläckar.

Studien leddes av datavetarna Lydi Kavraki och Vaibhav Unhelkar och leddes tillsammans med Carlos Quintero-Peña och Constantinos Chamzas från George R. Brown School of Engineering vid Rice University. Den presenterades vid Institute of Electrical and Electronics Engineers’ internationella konferens om robotik och automation.

Människan med i processen

Enligt studien håller algoritmen en människa med i processen för att “förstärka robotens perception och, viktigt, förhindra utförandet av osäkra rörelser”.

Teamet kombinerade bayesiansk invers förstärkningsinlärning med etablerade rörelseplaneringstekniker för att hjälpa robotar med många rörliga delar.

För att testa BLIND, fick en robot med en ledad arm med sju leder i uppgift att gripa en liten cylinder från ett bord och sedan flytta den till ett annat. Men roboten måste först flytta förbi en barriär.

“Om du har fler leder, är instruktionerna till roboten komplicerade”, sa Quintero-Peña. “Om du vägleder en människa, kan du bara säga ‘Lyft upp din hand’.”

Men en robot kräver program som är specifika om rörelsen av varje led i varje punkt i dess bana, och detta blir ännu viktigare när det finns hinder som blockerar dess “syn”.

Lära sig att “se” runt hinder

BLIND programmerar inte en bana i förväg. Istället infogar den en människa mitt i processen för att finslipa de koreograferade alternativ som föreslås av robotens algoritm.

“BLIND tillåter oss att ta information i människans huvud och beräkna våra banor i detta rum med många frihetsgrader”, sa Quintero-Peña. “Vi använder en specifik form av feedback som kallas kritik, i princip en binär form av feedback där människan får etiketter på delar av banan.”

Etiketterna visas som sammanhängande gröna prickar, som representerar möjliga vägar. När BLIND går från prick till prick, godkänner eller avvisar människan varje rörelse, finslipar banan och undviker hinder.

“Det är ett enkelt gränssnitt för människor att använda, eftersom vi kan säga ‘Jag gillar det här’ eller ‘Jag gillar inte det där’, och roboten använder denna information för att planera”, sa Chamzas. Roboten kan utföra sin uppgift efter att ha belönats för sina rörelser.

“En av de viktigaste sakerna här är att mänskliga preferenser är svåra att beskriva med en matematisk formel”, sa Quintero-Peña. “Vårt arbete förenklar mänskliga-robot-relationer genom att inkorporera mänskliga preferenser. Det är så jag tror att applikationer kommer att få mest nytta av detta arbete.”

Kavraki har arbetat med avancerad programmering för NASA:s humanoida Robonaut ombord på den internationella rymdstationen.

“Detta arbete exemplifierar underbart hur ett litet, men riktat, mänskligt ingripande kan avsevärt förbättra robotarnas förmåga att utföra komplexa uppgifter i miljöer där vissa delar är helt okända för roboten men kända för människan”, sa Kavraki.

“Det visar hur metoder för mänsklig-robot-interaktion, ämnet för min kollega Professor Unhelkars forskning, och automatiserad planering som har utvecklats genom mångårigt pionjärarbete vid mitt laboratorium kan kombineras för att leverera tillförlitliga lösningar som också respekterar mänskliga preferenser.”