Forskare utvecklar ramverk för att ge robotar sociala färdigheter

Forskare vid Massachusetts Institute of Technology (MIT) har utvecklat ett ramverk för att ge robotar sociala färdigheter. Ramverket möjliggör för maskiner att förstå vad det innebär att hjälpa eller hindra varandra, samt att lära sig att utföra sociala beteenden på egen hand.

En robot observerar sin kamrat i en simulerad miljö innan den gissar vilken uppgift den vill utföra. Den hjälper sedan eller hindrar den andra roboten baserat på sina egna mål.

Forskarna har också visat att deras modell skapar realistiska och förutsägbara sociala interaktioner. När mänskliga tittare visades videor av simulerade robotar som interagerade med varandra, var de överens med modellen om vilket socialt beteende som förekom.

Genom att möjliggöra för robotar att visa sociala färdigheter kan vi uppnå mer positiva interaktioner mellan människor och robotar. Den nya modellen kan också möjliggöra för forskare att mäta sociala interaktioner kvantitativt.

Boris Katz är huvudforskare och chef för InfoLab-gruppen vid Computer Science and Artificial Intelligence Laboratory (CSAIL), samt medlem i Center for Brains, Minds, and Machines (CBMM).

“Robotar kommer att leva i vår värld snart nog och de måste verkligen lära sig att kommunicera med oss på mänskliga villkor. De måste förstå när det är dags för dem att hjälpa och när det är dags för dem att se vad de kan göra för att förhindra att något händer. Detta är mycket tidigt arbete och vi har knappt börjat skrapa på ytan, men jag känner att detta är det första riktigt allvarliga försöket att förstå vad det innebär för människor och maskiner att interagera socialt”, säger Katz.

Forskningen innehåller också medförfattare Ravi Tejwani, en forskningsassistent vid CSAIL; medförfattare Yen-Ling Kuo, en CSAIL-doktorand; Tianmin Shu, en postdoktor i avdelningen för hjärna och kognitiv vetenskap; och seniorförfattare Andrei Barbu, en forskare vid CSAIL.

Studier av sociala interaktioner

Forskarna skapade en simulerad miljö där robotar följer fysiska och sociala mål när de navigerar runt en tvådimensionell grid, vilket möjliggjorde för teamet att studera social interaktion.

Robotarna gavs fysiska och sociala mål. Ett fysiskt mål relaterar till miljön, medan ett socialt mål kan vara något som en robot gissar vad en annan försöker göra innan den baserar sina egna handlingar på den förutsägelsen.

Modellen används för att specificera vad en robots fysiska mål är, vad dess sociala mål är och hur mycket betoning som ska läggas på det ena eller det andra. Om roboten utför handlingar som får den att komma närmare sitt mål, belönas den. Om roboten försöker hjälpa sin kamrat, justerar den sin belöning för att matcha den andra. Om roboten försöker hindra den andra, justerar den sin belöning enligt. En algoritm beslutar vilka handlingar en robot ska utföra och den använder belöningssystemet för att vägleda den att utföra fysiska och sociala mål.

“Vi har öppnat ett nytt matematiskt ramverk för hur man modellerar social interaktion mellan två agenter. Om du är en robot och du vill gå till plats X, och jag är en annan robot och jag ser att du försöker gå till plats X, kan jag samarbeta genom att hjälpa dig komma till plats X snabbare. Det kan innebära att flytta X närmare dig, hitta en annan bättre X eller utföra vilken handling du hade att utföra på X. Vår formulering tillåter planen att upptäcka ‘hur’; vi specificerar ‘vad’ i termer av vad sociala interaktioner betyder matematiskt”, säger Tejwani.

Forskarna använder det matematiska ramverket för att definiera tre typer av robotar. En nivå 0-robot har endast fysiska mål, medan en nivå 1-robot har både fysiska och sociala mål men antar att alla andra endast har fysiska mål. Detta innebär att nivå 1-robotar tar handlingar baserat på de fysiska målen för andra, såsom att hjälpa eller hindra. En nivå 2-robot antar att andra har sociala och fysiska mål och dessa robotar kan ta mer avancerade handlingar.

Testning av modellen

Forskarna fann att deras modell överensstämde med vad människor trodde om de sociala interaktioner som förekom i varje ram.

“Vi har ett långsiktigt intresse, både för att bygga beräkningsmodeller för robotar, men också för att gräva djupare i de mänskliga aspekterna av detta. Vi vill ta reda på vilka funktioner från dessa videor som människor använder för att förstå sociala interaktioner. Kan vi skapa ett objektivt test för din förmåga att känna igen sociala interaktioner? Kanske finns det ett sätt att lära människor att känna igen dessa sociala interaktioner och förbättra deras förmågor. Vi är långt ifrån detta, men även om vi bara kan mäta sociala interaktioner effektivt är det ett stort steg framåt”, säger Barbu.

Teamet arbetar nu med att utveckla ett system med 3D-agenter i en miljö som tillåter fler typer av interaktioner. De vill också modifiera modellen för att inkludera miljöer där handlingar kan misslyckas, och de planerar att införa en neural nätverksbaserad robotplanerare i modellen. Slutligen kommer de att genomföra ett experiment för att samla in data om de funktioner som människor använder för att bestämma om två robotar är engagerade i en social interaktion.