Mind the Context: Continual Learning of Socially Appropriate Robot Actions via Environmental-Social Disentanglement
تقدم هذه الورقة إطار عمل "فك الارتباط الصريح ثنائي المسار" (EDD)، الذي يُمكّن الروبوتات الاجتماعية من التعلم المستمر للأفعال المناسبة للسياق عبر بيئات متنوعة من خلال الفصل الصريح بين الإشارات البيئية والاجتماعية للتخفيف من حدة النسيان الكارثي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل روبوتًا يسير داخل غرفة. بالنسبة للإنسان، تخبره الغرفة بقصة: هل هي غرفة معيشة فوضوية حيث تُقام حفلة؟ أم مكتب هادئ حيث تُعقد جلسة عمل جادة؟ قد يكون نفس الفعل، مثل بدء محادثة صاخبة أو تنظيف الأرضية بالمكنسة الكهربائية، تصرفًا مهذبًا تمامًا في الغرفة الأولى، ولكنه كارثة حقيقية في الثانية. هذا هو عالم الروبوتات الاجتماعية، حيث تحاول الآلات تعلم القواعد غير المكتوبة للسلوك البشري. لكن الجزء الصعب هنا هو: لا يمكن برمجة الروبوتات بكل قاعدة لكل غرفة ممكنة قد تزورها. بدلاً من ذلك، تحتاج إلى التعلم المستمر. فكر في الأمر كطالب يستمر في الانتقال إلى مدارس جديدة؛ يحتاج لتعلم القواعد الجديدة في المقصف أو الصالة الرياضية دون أن ينسى القواعد التي تعلمها في مدرسته القديمة. إذا نسي، يُسمى ذلك "النسيان الكارثي"، وعندها يصبح الروبوت مرتبكًا وغير مهذب.
السؤال الكبير الذي يطرحه الباحثون هو: كيف نعلم الروبوت أن "أين" يتواجد (البيئة) و"من" يتواجد هناك (الحشد الاجتماعي) يعملان معًا لتحديد ما هو مهذب؟ عادةً، تنظر الروبوتات إلى الصورة الكاملة للغرفة وتحاول تخمين القواعد. لكن هذه الورقة البحثية تقترح أن القيام بذلك يشبه محاولة حل لغز (بازل) وأنت ترتدي نظارات ضبابية. يقترح المؤلفون طريقة أذكى: علم الروبوت أن يفصل بين "الخلفية" (الأثاث، الجدران) و"الناس" (الحشد، مواقعهم) ويتعلم منهما بشكل منفصل قبل إعادة دمج القطع معًا.
تجربة "مراعاة السياق"
في هذه الدراسة، بنى الباحثون نظام تعلم جديدًا يسمى EDD (التفكيك الصريح ثنائي المسار). تخيل روبوتًا يمتلك زوجين مختلفين من النظارات. الزوج الأول، "عدسة البيئة"، تُموه جميع الأشخاص ليركز الروبوت بحتًا على تخطيط الغرفة — مثل رؤية ما إذا كانت هناك طاولة لتقديم الطعام عليها أو أرضية متسخة لتنظيفها. والزوج الآخر، "العدسة الاجتماعية"، يُموه الأثاث والجدران، تاركًا فقط ظلال الأشخاص ليرى الروبوت أين يقف الناس ومدى قربهم من بعضهم البعض.
يستخدم الروبوت هذين المنظرين المنفصلين للتعلم. لديه "عقلان" (أو مساران) يعالجان هذين المنظرين بشكل مستقل، ثم يدمجان أفكارهما ليقررا: "هل من المناسب بدء محادثة هنا؟" أو "هل يجب أن أستخدم المكنسة الآن؟". وللتأكد من أن الروبوت لن ينسى ما تعلمه في غرفة المعيشة عندما ينتقل إلى المكتب، استخدم الفريق "ذاكرة استرجاع" (Replay Buffer). هذه الذاكرة تشبه دفتر قصاصات رقمي حيث يحتفظ الروبوت ببعض اللقطات للغرف القديمة للتدرب عليها أثناء تعلم غرف جديدة، مما يمنعه من الارتباك.
ما وجدوه
اختبر الفريق هذا النظام في ستة بيئات داخلية مختلفة، تتراوح من منزل مريح إلى مختلف مساحات المكاتب مثل غرف الاجتماعات، الممرات، والمكاتب المفتوحة الكبيرة. وقارنوا روبوتهم ذو "العدستين" بطرق أخرى، بما في ذلك الروبوتات التي تنظر فقط إلى الصورة الكاملة دفعة واحدة، وحتى بعض نماذج الذكاء الاصطناعي المتقدمة جدًا التي تحاول تخمين القواعد الاجتماعية دون أي تدريب (تسمى نماذج "التعلم الصفري").
كانت النتائج واضحة تمامًا. فقد كان روبوت EDD، بعدساته المنفصلة ودفتر قصاصاته، الأفضل في التنبؤ بما سيعتبره البشر مهذبًا. فقد ارتكب أخطاءً أقل (معدل خطأ منخفض قدره 0.783 مقارنة بأكثر من 1.2 أو 2.0 للطرق الأخرى)، وكانت تخميناته تتطابق مع الآراء البشرية بشكل أكبر بكثير.
كما اختبر الباحثون طرقًا مختلفة لفصل "الناس" عن "الغرفة". ووجدوا أن استخدام صناديق الإحاطة (رسم صندوق حول الأشخاص وإخفاء كل شيء خارجها) كان يعمل بشكل أفضل قليلاً من مجرد استخدام ظلالهم (الصور الظلية) أو مجرد التركيز (الزوم) على الروبوت. وهذا يشير إلى أن إخفاء الأشخاص بوضوح عن منظور "البيئة" يساعد الروبوت على فهم قواعد الغرفة بشكل أفضل.
ومن المثير للاهتمام أن الترتيب الذي زار به الروبوت هذه الغرف لم يكن مهمًا للغاية. سواء بدأ بممر بسيط ثم انتقل إلى غرفة معيشة معقدة، أو العكس، فقد تعلم الروبوت جيدًا في كلتا الحالتين. وهذا يشير إلى أن النظام قوي للغاية ولا يرتبك بسهولة بسبب تسلسل التجارب الجديدة.
الخلاصة
تشير الورقة البحثية إلى أنه لكي تكون الروبوتات مهذبة حقًا في عالمنا المتغير، فإنها بحاجة إلى التوقف عن النظر إلى المشهد ككتلة واحدة كبيرة وفوضوية. بدلاً من ذلك، يحتاجون إلى الفصل بفاعلية بين "أين" و"من". من خلال تعليم الروبوت صراحةً فهم البيئة والحشد الاجتماعي كشيئين مختلفين، ثم دمج هذه المعرفة، يتعلم الروبوت بشكل أسرع وينسى بشكل أقل. ورغم أن هذا تم اختباره على صور اصطناعية (مشاهد مولدة بالحاسوب) وليس فيديوهات من العالم الحقيقي، إلا أن النتائج تشير إلى أن استراتيجية "التفكيك" هذه هي مسار واعد لبناء روبوتات يمكنها التكيف مع المواقف الاجتماعية الجديدة دون أن تفقد لباقة سلوكها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.