Дослідники розробляють структуру для надання роботам соціальних навичок

Дослідники з Массачусетського технологічного інституту (MIT) розробили систему керування, щоб надати роботам соціальні навички. Фреймворк дозволяє машинам зрозуміти, що означає допомагати або заважати один одному, а також навчитися виконувати соціальну поведінку самостійно. 

Робот спостерігає за своїм супутником у змодельованому середовищі, перш ніж здогадатися, яке завдання він хоче виконати. Потім він допомагає або заважає іншому роботу на основі його власних цілей. 

Дослідники також продемонстрували, що їхня модель створює реалістичні та передбачувані соціальні взаємодії. Коли людям-глядачам показали відео зі змодельованими роботами, які взаємодіють один з одним, вони погодилися з моделлю щодо соціальної поведінки.

Дозволяючи роботам демонструвати соціальні навички, ми можемо досягти більш позитивних взаємодій між людиною та роботом. Нова модель також може дозволити вченим кількісно вимірювати соціальні взаємодії. 

Борис Кац є головним науковим співробітником і керівником групи InfoLab у Лабораторії комп’ютерних наук і штучного інтелекту (CSAIL), а також членом Центру мозку, розуму та машин (CBMM). 

«Роботи незабаром житимуть у нашому світі, і їм справді потрібно навчитися спілкуватися з нами по-людськи. Їм потрібно зрозуміти, коли їм пора допомогти, а коли — побачити, що вони можуть зробити, щоб чогось не сталося. Це дуже рання робота, і ми ледь дряпаємо поверхню, але я відчуваю, що це перша дуже серйозна спроба зрозуміти, що означає соціальне взаємодія людей і машин», — говорить Кац.

Команда дослідження також включав співавтора Раві Теджвані, наукового співробітника CSAIL; співпровідний автор Єн-Лінг Куо, докторант CSAIL; Тяньмінь Шу, постдоктор відділу мозку та когнітивних наук; та старший автор Андрій Барбу, науковий співробітник CSAIL. 

Вивчення соціальних взаємодій

Дослідники створили змодельоване середовище, де роботи переслідують фізичні та соціальні цілі, орієнтуючись по двовимірній сітці, що дозволило команді вивчити соціальну взаємодію.

Роботам були поставлені фізичні та соціальні цілі. Фізична ціль пов’язана з навколишнім середовищем, тоді як соціальна ціль може бути чимось на зразок робота, який здогадується, що намагається зробити інший, перш ніж засновувати власні дії на цьому прогнозі. 

Модель використовується для визначення того, які фізичні цілі робота, які його соціальні цілі, і наскільки наголос повинен бути зроблений на одному над іншим. Якщо робот виконує дії, які наближають його до мети, він отримує винагороду. Якщо робот намагається допомогти своєму супутнику, він регулює свою винагороду відповідно до винагороди іншого. Якщо робот намагається перешкодити іншому, він відповідно регулює свою винагороду. Алгоритм вирішує, які дії повинен виконати робот, і використовує систему винагород, щоб направляти його для виконання фізичних і соціальних цілей.

«Ми відкрили нову математичну структуру для моделювання соціальної взаємодії між двома агентами. Якщо ви робот і хочете потрапити до місця X, а я інший робот і бачу, що ви намагаєтеся потрапити до місця X, я можу співпрацювати, допоможу вам дістатися до місця X швидше. Це може означати переміщення X ближче до вас, пошук іншого кращого X або вжиття будь-яких дій, які ви мали виконати на X. Наша формулювання дозволяє плану виявити «як»; ми визначаємо «що» в термінах того, що соціальні взаємодії означають математично», — каже Теджвані.

Дослідники використовують математичну структуру для визначення трьох типів роботів. Робот рівня 0 має лише фізичні цілі, тоді як робот рівня 1 має як фізичні, так і соціальні цілі, але припускає, що всі інші мають лише фізичні цілі. Це означає, що роботи рівня 1 виконують дії на основі фізичних цілей інших, наприклад допомагають або заважають. Робот рівня 2 припускає, що інші мають соціальні та фізичні цілі, і ці роботи можуть виконувати більш складні дії. 

Тестування моделі

Дослідники виявили, що їхня модель узгоджується з тим, що люди думали про соціальні взаємодії, які відбувалися в кожному кадрі. 

«У нас є довгостроковий інтерес як до створення обчислювальних моделей для роботів, так і до глибшого вивчення людських аспектів цього. Ми хочемо з’ясувати, які функції цих відео використовують люди для розуміння соціальних взаємодій. Чи можемо ми зробити об’єктивний тест на вашу здатність розпізнавати соціальні взаємодії? Можливо, є спосіб навчити людей розпізнавати ці соціальні взаємодії та покращити їхні здібності. Ми дуже далекі від цього, але навіть просто можливість ефективно вимірювати соціальні взаємодії є великим кроком уперед», — каже Барбу.

Зараз команда працює над розробкою системи з 3D-агентами в середовищі, яке допускає більше типів взаємодії. Вони також хочуть змінити модель, щоб включити середовища, в яких дії можуть бути невдалими, і планують включити в модель робота-планувальника на основі нейронної мережі. Нарешті, вони планують провести експеримент, щоб зібрати дані про функції, які використовують люди, щоб визначити, чи взаємодіють два роботи в соціальній мережі.