ACME: A Multi-Cultural, Multi-Embodiment Social-Navigation Dataset
Das Papier stellt ACME vor, einen groß angelegten, multikulturellen und multi-embodiment Datensatz, der in fünf Ländern erhoben wurde, um die Forschung zur Navigation sozialer Roboter voranzutreiben, indem er vielfältige, zielgerichtete Interaktionsdaten bereitstellt, die den Mangel an kultureller und geografischer Diversität in bestehenden Ressourcen adressieren.
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 vor, Sie versuchen einem Roboter beizubringen, durch einen belebten Schulflur zu laufen, ohne gegen jemanden zu stoßen. Dabei geht es nicht nur darum, Wänden auszuweichen; es geht darum, den unsichtbaren Tanz der menschlichen Bewegung zu verstehen. Dieses Feld wird als soziale Navigation bezeichnet. Während ein gewöhnlicher Roboter lediglich von Punkt A nach Punkt B gelangen muss, ohne zu kollidieren, muss ein sozialer Roboter die ungeschriebenen Regeln der Menge kennen: wann er zur Seite treten muss, wie nah ist „zu nah“ und auf welcher Seite des Flurs die Menschen lieber gehen. Diese Regeln ändern sich je nach Ort der Welt und danach, wie der Roboter aussieht. Ein Roboter, der in einem Land höflich ist, könnte in einem anderen unhöflich sein, und ein Roboter, der wie ein Hund aussieht, könnte anders behandelt werden als einer, der wie ein Koffer aussieht. Wissenschaftler interessieren sich dafür, weil Roboter, wenn sie beginnen, in unseren Häusern, Krankenhäusern und Straßen zu arbeiten, müssen, müssen, sich natürlich einzufügen, ohne dass wir uns unbehaglich oder unsicher fühlen.
Hier kommt ACME ins Spiel, ein massives neues Projekt, das wie ein riesiges, globales Trainingslager für diese sozialen Roboter fungiert. Die Forscher hinter ACME erkannten, dass die bisherigen Trainingsdaten für Roboter zu begrenzt waren – so, als würde man einen Fahrer nur auf einem ruhigen, leeren Parkplatz unterrichten und dann erwarten, dass er eine chaotische Kreuzung in Tokio bewältigt. Um dies zu beheben, unternahm das Team eine Welttournee und sammelte Daten an 8 verschiedenen Standorten in 5 Ländern (darunter die USA, Japan, Singapur, Deutschland und Spanien). Sie setzten nicht nur eine Art von Roboter ein; sie setzten 7 verschiedene Roboter-„Körper“ (oder Verkörperungen) ein, die von vierbeinigen hundähnlichen Robotern bis hin zu rollenden Koffer-Bots und hohen Servicerobotern reichten. Sie zeichneten über 29 Stunden lang auf, wie sich die Roboter durch Menschenmengen bewegten, und 43,5 Stunden Overhead-Video, wie Menschen um sie herumgingen.
Das Paper legt nahe, dass wir Computermodelle viel besser darin machen können, den Raum zu lesen, indem wir diese vielfältigen, chaotischen Echtzeitdaten in sie einspeisen. Das Team stellte fest, dass Roboter, die mit diesem neuen Datensatz trainiert wurden, mit viel größeren Herausforderungen konfrontiert sind als solche, die mit älteren Daten trainiert wurden, was eigentlich eine gute Sache ist – es bedeutet, dass die Roboter lernen, mit der echten, unvorhersehbaren Welt fertig zu werden. Sie entdeckten auch, dass Kultur eine große Rolle spielt: Menschen in einigen Ländern neigen dazu, auf der rechten Seite zu gehen, während andere die linke bevorzugen, und die Art und Weise, wie Menschen auf einen Roboter reagieren, hängt stark davon ab, ob der Roboter wie ein freundlicher Hund oder ein rollender Kasten aussieht. Darüber hinaus zeigt die Studie, dass Roboter, die Sprache verwenden (wie etwa „Entschuldigung“ zu sagen), je nach Größe und Form unterschiedlich mit Menschenmengen interagieren. Obwohl das Paper nicht behauptet, das Problem der perfekten Roboternavigation gelöst zu haben, legt es nahe, dass ACME das bisher umfassendste „Lehrbuch“ dafür bietet, wie man Roboter lehrt, den komplexen, kulturellen und physischen Tanz menschlicher Räume zu navigieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.