Att lära robotar att förutse mänskliga preferenser för förbättrat samarbete

Människor har den unika förmågan att förstå andras mål, önskningar och övertygelser, vilket är avgörande för att kunna förutse handlingar och samarbeta effektivt. Denna färdighet, känd som “theory of mind”, är medfödd hos oss men utgör fortfarande en utmaning för robotar. Men om robotar ska bli verkligt samarbetsvilliga hjälpmedel inom tillverkning och vardagsliv måste de också lära sig dessa förmågor.

I ett nytt paper, som var finalist till bästa paper‑pris vid ACM/IEEE International Conference on Human-Robot Interaction (HRI), strävar datavetenskapliga forskare från USC Viterbi efter att lära robotar att förutsäga mänskliga preferenser i monteringsuppgifter. Detta kommer att göra det möjligt för robotar att i framtiden assistera i olika uppgifter, från att bygga satelliter till att duka ett bord.

“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.”

Ett nytt tillvägagångssätt för att förutsäga mänskliga handlingar

Att förutsäga mänskliga handlingar kan vara utmanande, eftersom olika personer föredrar att slutföra samma uppgift på olika sätt. Nuvarande tekniker kräver att människor demonstrerar hur de vill utföra monteringen, vilket kan vara tidskrävande och kontraproduktivt. För att lösa detta upptäckte forskarna likheter i hur individer monterar olika produkter och använde denna kunskap för att förutsäga preferenser.

Istället för att kräva att individer “visar” roboten sina preferenser i en komplex uppgift, skapade forskarna en liten monteringsuppgift (kallad en “kanonisk” uppgift) som snabbt och enkelt kan utföras. Robotens uppgift var sedan att “titta” på människan när denne fullbordar uppgiften med hjälp av en kamera och använda maskininlärning för att lära sig personens preferens baserat på sekvensen av handlingar i den kanoniska uppgiften.

I en användarstudie kunde forskarnas system förutsäga mänskliga handlingar med cirka 82 % noggrannhet. Detta tillvägagångssätt sparar inte bara tid och ansträngning utan bidrar också till att bygga förtroende mellan människor och robotar. Det kan vara fördelaktigt i industriella miljöer, där arbetare monterar produkter i stor skala, samt för personer med funktionsnedsättningar eller begränsad rörlighet som behöver hjälp med att montera produkter.

Mot en framtid med förbättrat människa-robot-samarbete

Forskarnas mål är inte att ersätta mänskliga arbetare utan att förbättra säkerhet och produktivitet i människa-robot‑hybridfabriker genom att låta robotar utföra icke‑värdeskapande eller ergonomiskt krävande uppgifter. Framtida forskning kommer att fokusera på att utveckla en metod för att automatiskt designa kanoniska uppgifter för olika typer av monteringsuppgifter samt utvärdera fördelarna med att lära sig mänskliga preferenser från korta uppgifter och förutsäga handlingar i komplexa uppgifter i olika sammanhang, såsom personlig assistans i hem.

“En robot som snabbt kan lära sig våra preferenser kan hjälpa oss att förbereda en måltid, omorganisera möbler eller utföra husreparationer, vilket har en betydande inverkan på vårt dagliga liv,” sade Nikolaidis.