From Legible to Inscrutable Trajectories: (Il)legible Motion Planning Accounting for Multiple Observers

Stellen Sie sich einen Roboter vor, der sich durch eine belebte Fabrikhalle oder einen Krankenhausflur bewegt. Er ist nicht nur eine Maschine, die einem fest vorgegebenen Satz von Anweisungen folgt; er ist ein sozialer Akteur. Jedes Mal, wenn er abbiegt, stoppt oder beschleunigt, sendet er eine stille Botschaft an die Menschen und anderen Maschinen um ihn herum. In der Robotik wird diese stille Kommunikation als „Legibilität“ bezeichnet. Ein legibler Pfad ist einer, der es einem Beobachter ermöglicht, schnell und korrekt zu erraten, wohin der Roboter steuert. Wenn sich ein Roboter auf eine Weise bewegt, die sein Ziel offensichtlich macht, hilft dies Menschen, sicher mit ihm zu koordiniert werden. Aber die Regeln ändern sich je nachdem, wer zusieht. In einem kooperativen Umfeld, wie etwa einem Lagerhaus, in dem Menschen und Roboter zusammenarbeiten, sollte der Roboter so klar wie möglich sein. In einem kompetitiven oder adversen Setting, wie etwa einem militärischen Einsatz oder einem Spiel, muss der Roboter vielleicht sein wahres Ziel verbergen, um zu verhindern, dass ein Gegner seinen nächsten Zug vorhersagt. Dies schafft ein komplexes Rätsel: Was passiert, wenn ein Roboter gegenüber einer Person klar sein muss, während er gegenüber einer anderen verborgen bleiben muss, während er gleichzeitig Hindernisse umfährt, die die Sicht einiger Menschen blockieren, aber nicht die anderer?

Forscher der University of Illinois at Urbana-Champaign sind genau dieser Herausforderung begegnet, indem sie ein neues Problem eingeführt haben, das sie „Mixed-Motive Limited-Observability Legible Motion Planning“ nennen. In ihrer Arbeit beschreiben sie ein Szenario, in dem ein Roboter einen einzigen Pfad planen muss, der zwei widersprüchliche Anforderungen erfüllt. Er muss für „positive“ Beobachter – also jene, die freundlich oder kooperativ sind – leicht verständlich sein, während er gleichzeitig für „negative“ Beobachter, die vielleicht Gegner sind, verwirrend oder irreführend sein muss. Erschwert wird dies dadurch, dass diese Beobachter nicht alle das Gleiche sehen. Einige sehen vielleicht nur eine kleine Ecke des Raumes, oder ihre Sicht wird durch Hindernisse blockiert. Die Forscher entwickelten ein neues Softwarewerkzeug, das sie den Trajektorien-Optimierer nannten, um dieses Problem zu lösen. Dieses Werkzeug fungiert als Trajektorien-Optimierer und berechnet den exakten Pfad, den der Roboter nehmen sollte, um diese konkurrierenden Bedürfnisse auszubalancieren. Anstatt zu versuchen, für alle legibel oder für alle unsichtbar zu sein, findet der Trajektorien-Optimierer heraus, wie man für die richtigen Leute legibel und für die falschen Leute illegibel ist, basierend darauf, was jede Person tatsächlich sehen kann.

Um zu verstehen, wie dies funktioniert, betrachten Sie die zwei Hauptstrategien, die der Roboter im Umgang mit einem negativen Beobachter anwenden kann. Die erste ist die „Lockvogel“-Strategie (Decoy-Strategie). Hierbei bewegt sich der Roboter absichtlich auf ein falsches Ziel zu, um den Beobachter glauben zu lassen, er würde dorthin steuern. Erst im letzten möglichen Moment biegt er in Richtung seines wchten Ziels ab. Dies ist effektiv, wenn der Roboter einen Gegner aktiv täuschen möchte. Die zweite Strategie ist der „ambivalente“ oder vermeidende Ansatz. In diesem Fall versucht der Roboter, die Zeit zu minimieren, die er in der Sichtlinie des negativen Beobachters verbringt, oder er bewegt sich so, dass alle möglichen Ziele gleichermaßen wahrscheinlich erscheinen, sodass der Beobachter das wahre Ziel überhaupt nicht erraten kann. Die Forscher fanden heraus, dass die beste Wahl vollständig vom Layout des Raumes und den Motiven der beobachtenden Personen abhängt. Wenn ein freundlicher Beobachter und ein unfreundlicher Beobachter am selben Ort stehen, muss der Roboter deren Bedeutung gegeneinander abwägen. Wenn der freundliche Beobachter wichtiger ist, wird der Roboter priorisieren, für ihn klar zu sein, selbst wenn das bedeutet, dass der unfreundliche Beobachter etwas mehr sieht. Wenn der unfreundliche Beobachter gefährlicher ist, könnte der Roboter sich entscheiden, sich ganz zu verbergen oder eine Lockvogel-Strategie anzuwenden, selbst wenn dies den Pfad für den freundlichen Beobachter weniger klar macht.

Das Team testete ihr System in verschiedenen simulierten Umgebungen, um zu sehen, wie gut der Trajektorien-Optimierer performt. In einem Szenario musste ein Roboter gegenüber einem freundlichen Beobachter in einer grünen Zone klar sein und gegenüber einem unfreundlichen Beobachter in einer roten Zone verborgen bleiben. Die Software generierte erfolgreich Pfade, die durch die grüne Zone kurvten, um seine Absichten deutlich zu zeigen, während sie entweder ganz aus der roten Zone herausschliffen oder sich so bewegten, dass der Beobachter in der roten Zone verwirrt wurde. In einem anderen Test platzierten die Forscher die freundlichen und unfreunden Beobachter in überlappenden Bereichen. Sie fanden heraus, dass der Roboter immer noch einen Pfad finden konnte, der für beide funktionierte, obwohl er Kompromisse eingehen musste. Wenn beispielsweise der unfreundliche Beobachter ein stärkeres „Motiv“ oder einen größeren Einfluss hatte, wählte der Roboter eine täuschenderen Route, selbst wenn dies bedeutete, dass der freundliche Beobachter einen Moment länger warten musste, um das Ziel des Roboters zu verstehen. Die Ergebnisse zeigten, dass der Trajektorien-Optimierer Pfade generieren konnte, die signifikant besser waren als einfache gerade Linien oder Pfade, die nur versuchten, effizient zu sein. Er konnte Trajektorien erzeugen, die hochgradig legibel für die richtigen Leute und hochgradig illegibel für die falschen Leute waren, wobei er sein Verhalten basierend auf den spezifischen Einschränkungen der Umgebung anpasste.

Die Forscher untersuchten auch, was passiert, wenn die Ziele in völlig entgegengesetzte Richtungen liegen. In diesen schwierigen Fällen ist eine gerade Linie meist der effizienteste Pfad, aber sie könnte zu leicht zu lesen sein. Der Trajektorien-Optimierer zeigte, dass der Roboter durch den Einsatz einer Lockvogel-Strategie über lange Zeit auf ein falsches Ziel zusteuern kann, um den Beobachter zu überzeugen, er würde in die falsche Richtung gehen, bevor er plötzlich zum wahren Ziel abbiegt. Dies verzögerte die korrekte Vermutung des Beobachters bis zum Ende des Pfades. Das Team merkte jedoch an, dass ihre derzeitige Arbeit auf Simulationen basiert, in denen die Umgebung statisch ist und die Beobachter sich nicht bewegen. Sie räumten ein, dass reale Anwendungen erfordern würden, dass der Roboter mit bewegten Menschen und wechselnden Sichtweisen in Echtzeit umgeht. Sie weisen auch darauf hin, dass ihr System davon ausgeht, dass der Roboter genau weiß, wo die Beobachter sind und was sie sehen können, was in einer chaotischen realen Umgebung nicht immer der Fall sein kann. Trotz dieser Einschränkungen bietet die Studie einen klaren mathematischen Rahmen für ein Problem, das zuvor nicht gelöst wurde: wie man gleichzeitig für einige klar und für andere verborgen ist.

Letztendlich geht diese Arbeit über die Idee hinaus, dass ein Roboter einfach nur effizient oder einfach nur höflich sein sollte. Sie erkennt an, dass in einer Welt mit mehreren Beobachtern der Pfad eines Roboters eine Form der Kommunikation ist, die auf verschiedene Zielgruppen zugeschnitten werden kann. Das System des Trajektorien-Optimierers demonstriert, dass es möglich ist, einen Pfad zu berechnen, der mehreren Herren dient und das Bedürfnis nach Transparenz mit dem Bedürfnis nach Privatsphäre abwägt. Während Roboter in unserem täglichen Leben immer häufiger werden, von Lagern bis hin zu Krankenhäusern, wird die Fähigkeit, diese sozialen und strategischen Komplexitäten zu navigieren, immer wichtiger. Diese Forschung bietet eine neue Art, die Bewegung von Robotern zu denken – nicht nur als physischen Akt des Fortbewegens von Punkt A nach Punkt B, sondern als eine strategische Entscheidung darüber, wer die Pläne des Roboters kennen darf und wer nicht.