Guessing human intentions to avoid dangerous situations in caregiving robots
Diese Arbeit präsentiert einen Echtzeit-Algorithmus, der auf der Künstlichen Theorie des Geistes (Artificial Theory of Mind) und einer „Like-Me“-Policy basiert, die es Pflegeroboter ermöglicht, menschliche Intentionen zu inferieren, potenzielle Gefahren zu erkennen und sichere Aktionen auszuwählen, um gefährliche Situationen zu vermeiden, wie durch Simulationen und reale Experimente validiert wurde.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Maschinen nicht nur Befehle befolgen, sondern die ungesprochenen Pläne der Menschen um sie herum verstehen. Dies ist die Grenze der sozialen Robotik, ein Fachgebiet, das sich der Entwicklung von Maschinen widmet, die in der Lage sind, sich mit derselben intuitiven Wahrnehmung wie ein Mensch in menschlichen Räumen zu bewegen. Zentral für diese Fähigkeit ist das Konzept einer „Theory of Mind“, was schlichtweg die Fähigkeit ist, zu erraten, was ein anderes Wesen denkt oder als Nächstes beabsichtigt zu tun. Während Menschen dies instinktiv tun, erfordert das Beibringen einer solchen Fähigkeit an einen Roboter, dass dieser ein mentales Modell der Welt aufbaut, Simulationen dessen durchführt, was passieren könnte, und dann eine Aktion wählt, die alle sicher hält. Dabei geht es nicht darum, dass der Roboter Emotionen fühlt, sondern vielmehr darum, dass er seine internen Computermodelle nutzt, um die zukünftigen Folgen der Bewegungen eines Menschen vorherzusagen und einzugreifen, bevor ein Unfall geschieht.
In einer kürzlich durchgeführten Studie untersuchten Forscher der Universität Extremadura in Spanien, wie ein Pflegeroboter diese Art des prädiktiven Denkens nutzen könnte, um gefährliche Situationen zu verhindern. Sie konzentrierten sich auf einen speziellen Typ von Roboter, der darauf ausgelegt ist, Menschen zu unterstützen, und der in der Lage sein muss, zu erkennen, wenn ein Mensch kurz davor steht, mit einem Hindernis zu kollidieren, das er nicht sehen kann. Das Team entwickelte ein System, bei dem der Roboter eine Person betrachtet, feststellt, wohin diese Person wahrscheinlich gehen wird, und dann eine schnelle mentale Simulation durchführt, um zu sehen, ob dieser Pfad zu einem Zusammenstoß führt. Wenn der Roboter eine Kollision vorhersagt, wartet er nicht darauf, dass die Person anhält; stattdin berechnet er sofort eine Bewegung, die er ausführen kann, um die Gefahr zu blockieren oder die Person vom Weg abzuführen, wodurch er effektiv als stiller Wächter fungiert.
Die Forscher testeten diese Idee mit einem eigens konstruierten Roboter namens Shadow, der auf vier Rädern fährt und mit Kameras sowie Lasersensoren ausgestattet ist, um seine Umgebung wahrzunehmen. In ihrem Versuchsaufbau beobachtet der Roboter eine Person, die durch einen Raum auf ein Sofa zugeht. Auf dem Boden, direkt im Pfad der Person, liegt ein kleiner Gegenstand, wie etwa ein Ball oder ein Rucksack, den die Person möglicherweise nicht bemerkt. Die Aufgabe des Roboters ist es, zu erkennen, dass die Person beabsichtigt, direkt in diesen Gegenstand zu laufen. Dazu nutzt der Roboter eine „Like-Me“-Strategie (Wie-ich-Strategie). Er nimmt an, dass die Person so handeln wird, wie der Roboter selbst handeln würde, wenn er in dieser Situation wäre: auf ein Objekt schauen und sich darauf zubewegen. Der Roboter führt dann eine Simulation der Reise der Person in seinem eigenen Computer durch, wobei er eine Physik-Engine nutzt, um exakt vorherzusagen, wie sich die Person bewegen würde.
Wenn die Simulation zeigt, dass die Person das Objekt treffen wird, weiß der Roboter, dass sich eine gefährliche Situation entwickelt. Er wechselt dann in eine zweite Phase des Denkens. Der Roboter fragt sich: „Was kann ich tun, um das zu stoppen?“ Er simuliert verschiedene Aktionen, wie zum Beispiel das Bewegen seiner selbst an einen bestimmten Ort im Raum. Er prüft, ob das Positionieren des Roboters an diesem neuen Ort die Person dazu zwingen würde, ihren Pfad zu ändern und das Hindernis zu umgehen. Wenn die Simulation bestätigt, dass die neue Position des Roboters den Zusammenstoß erfolgreich verhindert, führt der Roboter diese Bewegung in der realen Welt aus. Das Ziel ist nicht, die Person am Gehen zu hindern, sondern die Umgebung subtil so zu verändern, dass die Person ganz natürlich vor der Gefahr ausweicht, ohne überhaupt zu merken, dass der Roboter geholfen hat.
Um zu sehen, ob dieses System funktionierte, führte das Team drei verschiedene Arten von Tests durch. Zuerwert nutzten sie eine Computersimulation, um das Szenario 180 Mal mit unterschiedlichen Positionen für den Roboter, die Person und das Hindernis durchzuführen. In diesen virtuellen Versuchen identifizierte der Roboter die riskanten Situationen im großen Mehrheitsfall erfolgreich und generierte eine sichere Aktion. Dennoch produzierte das System eine signifikante Anzahl von falsch-positiven Ergebnissen, was bedeutet, dass es manchmal fälschlicherweise riskante Situationen als gefährlich einstufte, die in der Realität gar keine Gefahr dargestellt hätten. Trotz dessen produzierte der Algorithmus jedoch nie falsch-negative Ergebnisse, was sicherstellte, dass keine unsichere Situation unbeachtet blieb. Der Roboter traf seine Entscheidungen in weniger als einer Sekunde, eine Geschwindigkeit, die schnell genug ist, um in Echtzeit zu reagieren.
Die Forscher gingen dann zu komplexeren Tests über, die echte Menschen einbezogen. In einem Experiment steuerten Freiwillige einen digitalen Avatar in der Simulation und versuchten, auf ein Sofa zuzugehen, während ein versteckter Ball im Weg lag. Sie konnten den Ball nicht sehen, da ihre Sicht blockiert war, aber als der Roboter in ihren Pfad fuhr, um den Ball zu blockieren, änderten die Menschen instinktiv ihre Richtung, um dem Roboter auszuweichen, und vermieden dadurch das verborgene Hindernis. In einem abschließenden Test unter realen Bedingungen wurde der physische Shadow-Roboter in einem Raum mit fünf verschiedenen Personen platet. Diese Personen wurden gebeten, den Raum zu durchqueren, während sie ein Papier lasen und dabei ein auf dem Boden liegendes Backpack ignorierten. Während sie liefen, erkannte der Roboter ihre Absicht, in den Rucksack zu laufen. Er bewegte sich an eine Position nahe dem Rucksack, und in jedem einzelnen Fall bemerkte die Person den Roboter, reagierte mit Überraschung und setzte ihren Weg zum zugewiesenen Ziel erfolgreich fort, wobei sie das Hindernis erfolgreich umging.
Die Studie legt nahe, dass dieser Ansatz, interne Simulationen zu nutzen, um menschliche Absichten zu erraten, ein gangbarer Weg ist, um Roboter in menschlichen Umgebungen sicherer und hilfreicher zu machen. Das System erwies sich als robust genug, um die Unvorhersehbarkeit echter Menschen zu bewältigen, selbst wenn diese abgelenkt oder sich der Gefahr nicht bewusst waren. Die Forscher weisen jedoch darauf hin, dass der Roboter für den Einsatz in noch belebteren oder komplexeren Räumen schneller darin werden muss, zwischen vielen möglichen Aktionen und Menschen zu unterscheiden. Sie merken auch an, dass mit zunehmender Fähigkeit von Robotern, solche blitzschnellen Entscheidungen zu treffen, Fragen darüber aufgeworfen werden müssen, wie sie zwischen mehreren Menschen in Gefahr wählen. Für den Moment demonstriert die Arbeit, dass ein Roboter erfolgreich eine Form der mentalen Simulation nutzen kann, um menschliche Bedürfnisse vorauszusehen und Unfälle zu verhindern, bevor sie geschehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.