HUI360: A 360{\deg} Egocentric Dataset and Baselines for Human-Robot Interaction Anticipation

تخيل أنك تسير في حديقة مزدحمة، وفجأة يتدحرج نحوك روبوت ودود. هل يتوقف وينتظر أن تلقي عليه التحية، أم يخمن أنك قادم ويلوح لك بيده حتى قبل أن تقترب؟ هذا هو جوهر مجال يسمى "التفاعل بين الإنسان والروبوت" (HRI). إنه العلم الذي يعلم الآلات كيف تفهمنا، ليس فقط كأجسام متحركة، بل كبشر لديهم نوايا. جزء رئيسي من هذا هو "الاستباق" (Anticipation)—أي القدرة على التنبؤ بما سيفعله الإنسان تالياً. فكر في الأمر كشريك رقص يعرف الخطوة التالية قبل أن تتغير الموسيقى حتى. إذا استطاع الروبوت أن يستبق رغبتك في الدردشة، يمكنه أن يكون أكثر فائدة وأقل إحراجاً. ولكن لكي يتعلم الروبوت هذه الرقصة، فإنه يحتاج إلى التدريب. ولكي يتدرب جيداً، يحتاج إلى مكتبة ضخمة من الأمثلة الواقعية، وليس مجرد مشاهد مُدربة في استوديو.

هذا بالضبط ما سعى الباحثون وراء ورقة بحثية بعنوان "HUI360" لبنائه. لقد أنشأوا مكتبة ضخمة مفتوحة المصالم من بيانات الفيديو تسمى HUI360، وهي حالياً أكبر مجموعة بيانات من نوعها لتعليم الروبوتات كيفية تخمين متى يرغب البشر في التفاعل معها. وبدلاً من استخدام ممثلين في مختبر خاضع للسيطرة، أرسلوا روبوتاً متنقلاً إلى "العالم الخارجي"—تسعة مواقع مختلفة في العالم الحقيقي مثل المقاصف، والممرات، والساحات العامة—على مدار عدة أشهر. قام الروبوت، الذي يرتدي كاميرا بزاوية 360 درجة مثل عدسة عين السمكة، بمراقبة آلاف الأشخاص وهم يمرون بجانبه. البعض تجاهله؛ والبعض الآخر توقف لالتقاط ملصقات، أو إلقاء القمامة، أو أخذ طعام. استخدم الفريق أدوات رؤية حاسوبية ذكية لتتبع كل شخص تلقائياً، ورسم خرائط لحركات أجسادهم، وتحديد اللحظة الدقيقة التي لمسوا فيها الروبوت جسدياً. حتى أنهم قاموا بتنقية البيانات يدوياً لإصلاح أي أخطاء، لضمان أن "الدروس" التي يتعلمها الروبوت دقيقة.

تقدم الورقة البحثية أيضاً مجموعة من "النماذج المرجعية" (Baselines)، وهي تشبه اختبارات التدريب الأولى للروبوت. لقد قاموا بتدريب عقول حاسوبية بسيطة (باستخدام طرق مثل الغابات العشوائية Random Forests وLSTMs) للنظر في حركة الشخص وتخمين ما إذا كان على وشك التفاعل. وتشير النتائج إلى أن هذه النماذج يمكن أن تصبح جيدة جداً في هذه المهمة، خاصة عندما تستخدم خرائط تفصيلية للجسم (مثل نقاط مفصل الوجه واليد). ومع ذلك، تسلط الورقة الضال الضوء على واقع معقد: عندما يتم اختبار الروبوت في بيئة جديدة تماماً لم يسبق له رؤيتها، أو عندما يتغير الروبوت نفسه (مثل استبدال روبوت حاوية النفايات بروبوت خدمة)، يصبح التنبؤ ضبابياً بعض الشيء. الأمر يشبه طالباً نجح في اختبار الرياضيات في فصل دراسي واحد، لكنه تعثر عندما انتقل المعلم إلى غرفة أخرى. توضح الورقة أن الطرق الحالية تعمل، لكنها بحاجة إلى أن تصبح أفضل بكثير في التكيف مع الأماكن الجديدة وأجساد الروبوتات الجديدة لتكون مفيدة حقاً في العالم الحقيقي.

ومن الأهمية بمكان أن الورقة البحثية ترسم خطاً فاصلاً واضحاً حول ما يعتبر "تفاعلاً". فقد قرر الباحثون تجاهل الأمور المعقدة، مثل عندما يحدق شخص ما في الروبوت بدافع الفضول أو يبتسم له؛ فهذه اللحظات ذاتية للغاية ويصعب الاتفاق عليها. بدلاً من ذلك، ركزوا فقط على التفاعلات الجسدية—عندما يلمس شخص ما الروبوت فعلياً، أو يلقي شيئاً في حاويته، أو يأخذ شيئاً منه. هذا يجعل البيانات موضوعية وسهلة التحقق. وهم يجادلون بأنه بينما قد نتمنى أن تتمكن الروبوتات من قراءة العقول أو فهم النظرات الخفية، فإن البدء بالأفعال الجسدية الواضحة هو السبيل الوحيد لبناء أساس موثوق للتعلم.

إذاً، ماذا وجدوا؟ تثبت مجموعة بيانات HUI360، التي تحتوي على أكثر من مليون تسمية توضيحية للأشخاص وحركاتهم، أن الروبوتات يمكنها تعلم استباق التفاعلات الجسدية بدقة مدهشة. استطاعت النماذج التي اختبروها التنبؤ بالتفاعل قبل حدوثه بثانية أو ثانيتين، وهو وقت كافٍ للروبوت ليلتفت برأسه أو يستعد للترحيب. ولكن الورقة تشير أيضاً إلى أن هذه هي مجرد البداية. فالنماذج تعاني عندما تتغير البيئة بشكل جذري، مما يشير إلى أن الروبوتات المستقبلية ستحتاج إلى أن تكون أكثر مرونة للتعامل مع فوضى العالم الحقيقي. ومن خلال إصدار هذه المجموعة الضخمة من البيانات والأدوات اللازمة لإنشائها، يسلم المؤلفون المفاتح إلى المجتمع العلمي بأكم له، داعين الجميع لبناء روبوتات أفضل وأكثر وعياً اجتماعياً يمكنها أخيراً أن تتعلم الرقص معنا في العالم الخارجي.