วิธีการใหม่ช่วยให้คนสามารถช่วยเหลือหุ่นยนต์ “มองเห็น” สภาพแวดล้อมของมัน

ทีมวิศวกรจาก Rice University ได้พัฒนาวิธีการใหม่ที่ช่วยให้คนสามารถช่วยเหลือหุ่นยนต์ “มองเห็น” สภาพแวดล้อมและทำงานต่างๆ ได้

ยุทธวิธีใหม่นี้เรียกว่า Bayesian Learning IN the Dark (BLIND) ซึ่งเป็นคำตอบใหม่สำหรับปัญหาการวางแผนการเคลื่อนไหวของหุ่นยนต์ที่ทำงานในสภาพแวดล้อมที่มีจุดบอด

การวิจัยนี้ได้รับการนำโดยนักวิทยาศาสตร์คอมพิวเตอร์ Lydi Kavraki และ Vaibhav Unhelkar และได้รับการนำโดย Carlos Quintero-Peña และ Constantinos Chamzas จาก Rice’s George R. Brown School of Engineering การวิจัยนี้ได้รับการนำเสนอที่ Institute of Electrical and Electronics Engineers’ International Conference on Robotics and Automation

Human in the Loop

ตามการวิจัย อัลกอริทึมจะเก็บคนไว้ในวงจรเพื่อ “เพิ่มการรับรู้ของหุ่นยนต์และป้องกันการเคลื่อนไหวที่ไม่ปลอดภัย”

ทีมงานได้รวมการเรียนรู้แบบ Bayesian inverse reinforcement learning กับเทคนิคการวางแผนการเคลื่อนไหวที่มีอยู่แล้วเพื่อช่วยเหลือหุ่นยนต์ที่มีหลายส่วนเคลื่อนไหว

ในการทดสอบ BLIND หุ่นยนต์ที่มีด้านข้างที่มี 7 จุดได้รับมอบหมายให้หยิบกระปุกเล็กๆ จากโต๊ะและย้ายไปที่อื่น แต่หุ่นยนต์จะต้องเคลื่อนผ่านอุปสรรคก่อน

“หากคุณมีจุดเคลื่อนไหวมากขึ้น การสั่งงานหุ่นยนต์จะซับซ้อน” Quintero-Peña กล่าว “หากคุณสั่งงานคน คุณสามารถพูดว่า ‘ยกมือของคุณขึ้น'”

อย่างไรก็ตาม หุ่นยนต์ต้องการโปรแกรมที่เฉพาะเจาะจงเกี่ยวกับการเคลื่อนไหวของแต่ละจุดในเส้นทางของมัน และสิ่งนี้จะสำคัญมากขึ้นเมื่อมีอุปสรรคที่ปิดกั้น “มุมมอง” ของมัน

Learning to “See” Around Obstacles

BLIND ไม่ได้เขียนโปรแกรมเส้นทางล่วงหน้า แต่จะใส่คนเข้าไปในกระบวนการเพื่อปรับแต่งตัวเลือกที่หุ่นยนต์แนะนำ

“BLIND ช่วยให้เราสามารถนำข้อมูลจากหัวของคนและคำนวณเส้นทางของเราในพื้นที่ที่มีระดับอิสระสูง” Quintero-Peña กล่าว “เราสามารถใช้การให้ข้อมูลแบบเฉพาะที่เรียกว่า critique ซึ่งเป็นรูปแบบของการให้ข้อมูลที่มีคนให้ฉลากบนเส้นทาง”

ฉลากเหล่านี้ปรากฏเป็นจุดสีเขียวที่เชื่อมต่อกัน ซึ่งแสดงถึงเส้นทางที่เป็นไปได้ เมื่อ BLIND เคลื่อนจากจุดหนึ่งไปยังอีกจุดหนึ่ง คนจะอนุมัติหรือปฏิเสธการเคลื่อนไหวแต่ละครั้ง โดยปรับแต่งเส้นทางและหลีกเลี่ยงอุปสรรค

“มันเป็น界ที่ง่ายสำหรับคนในการใช้งาน เพราะเราสามารถพูดว่า ‘ฉันชอบสิ่งนี้’ หรือ ‘ฉันไม่ชอบสิ่งนั้น’ และหุ่นยนต์จะใช้ข้อมูลนี้เพื่อวางแผน” Chamzas กล่าว หุ่นยนต์สามารถทำงานได้หลังจากที่ได้รับการตอบแทนจากการเคลื่อนไหว

“หนึ่งในสิ่งที่สำคัญที่สุดคือความชอบของคนเป็นสิ่งที่ยากที่จะอธิบายด้วยสูตรคณิตศาสตร์” Quintero-Peña กล่าว “งานของเราช่วยให้ความสัมพันธ์ระหว่างคนและหุ่นยนต์ง่ายขึ้นโดยการรวมความชอบของคนเข้าไปในระบบ นั่นคือวิธีที่ฉันคิดว่าแอปพลิเคชันจะได้รับประโยชน์จากงานนี้มากที่สุด”

Kavraki ได้ทำงานกับการเขียนโปรแกรมขั้นสูงสำหรับ NASA’s humanoid Robonaut ที่สถานีอวกาศนานาชาติ

“งานนี้แสดงให้เห็นว่าการแทรกแซงเล็กๆ น้อยๆ ของคนสามารถเพิ่มความสามารถของหุ่นยนต์ในการทำงานที่ซับซ้อนในสภาพแวดล้อมที่มีบางส่วนที่ไม่ทราบกัน” Kavraki กล่าว “มันแสดงให้เห็นว่าวิธีการสำหรับการโต้ตอบระหว่างคนและหุ่นยนต์ ซึ่งเป็นหัวข้อการวิจัยของเพื่อนร่วมงานของฉัน Professor Unhelkar และการวางแผนแบบอัตโนมัติที่ได้รับการพัฒนามาหลายปีที่ห้องปฏิบัติการของฉันสามารถผสมผสานกันเพื่อให้ได้คำตอบที่เชื่อถือได้ซึ่งยังเคารพความชอบของคน”