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

Immaginate un robot che si muove attraverso il pavimento di una fabbrica trafficata o un corridoio di un ospedale. Non è solo una macchina che segue un insieme di istruzioni; è un attore sociale. Ogni volta che curva, si ferma o accelera, invia un messaggio silenzioso alle persone e alle altre macchine che lo circondano. Nel campo della robotica, questa comunicazione silenziosa è nota come "leggibilità". Un percorso leggibile è uno che permette a un osservatore di indovinare rapidamente e correttamente dove il robot stia andando. Se un robot si muove in un modo che rende ovvio la sua destinazione, aiuta gli esseri umani a coordinarsi con esso in modo sicuro. Ma le regole cambiano a seconda di chi sta guardando. In un contesto cooperativo, come un magazzino dove umani e robot lavorano insieme, il robot dovrebbe essere il più chiaro possibile. In un contesto competitivo o avversariale, come un'operazione militare o un gioco, il robot potrebbe dover nascondere la sua vera destinazione per evitare che un avversario ne preveda la mossa successiva. Ciò crea un puzzle complesso: cosa succede quando un robot deve essere chiaro per una persona mentre deve rimanere nascosto per un'altra, il tutto navigando intorno a pareti che bloccano la vista di alcuni ma non di altri?

I ricercatori dell'Università dell'Illinois a Urbana-Champaign hanno affrontato esattamente questa sfida introducendo un nuovo problema che chiamano Mixed-Motive Limited-Observability Legible Motion Planning. Nel loro lavoro, descrivono uno scenario in cui un robot deve pianificare un singolo percorso che soddisfi due richieste contrastanti. Deve essere facilmente comprensibile per gli osservatori "positivi" — quelli che sono amichevoli o cooperativi — pur essendo contemporaneamente confuso o fuorviante per gli osservatori "negativi", che potrebbero essere avversari. A complicare ulteriormente le cose, questi osservatori non vedono tutti la stessa cosa. Alcuni potrebbero vedere solo un piccolo angolo della stanza, o la loro vista potrebbe essere bloccata da ostacoli. I ricercatori hanno sviluppato un nuovo strumento software, che hanno chiamato l'ottimizzatore di traiettoria, per risolvere questo problema. Questo strumento agisce come un ottimizzatore di traiettoria, calcolando il percorso esatto che un robot dovrebbe intraprendere per bilanciare queste esigenze contrastanti. Invece di cercare di essere leggibile per tutti o invisibile per tutti, l'ottimizzatore di traiettoria capisce come essere leggibile alle persone giuste e illeggibile a quelle sbagliate, in base a ciò che ogni persona può effettivamente vedere.

Per capire come funziona, considerate le due strategie principali che il robot può usare quando si confronta con un osservatore negativo. La prima è la strategia del "esca" (decoy). In questo caso, il robot si muove deliberatamente verso una destinazione falsa, facendo credere all'osservatore che stia andando lì. Solo all'ultimo momento possibile si volge verso il suo vero obiettivo. Questo è efficace quando il robot vuole attivamente trarre in inganno un avversario. La seconda strategia è l'approccio "ambiguo" o di evitamento. In questo caso, il robot cerca di minimizzare il tempo trascorso nella linea di vista dell'osservatore negativo, oppure si muove in un modo che rende tutte le destinazioni possibili ugualmente probabili, in modo che l'osservatore non possa indovinare il vero obiettivo. I ricercatori hanno scoperto che la scelta migliore dipende interamente dalla disposizione della stanza e dai motivi delle persone che osservano. Se un osservatore amichevole e uno ostile si trovano nello stesso punto, il robot deve pesare la loro importanza. Se l'osservatore amichevole è più importante, il robot darà la priorità all'essere chiaro con lui, anche se ciò significa che l'ostile vedrà un po' di più. Se l'osservatore ostile è più pericoloso, il robot potrebbe scegliere di nascondersi completamente o usare un'esca, anche se questo rende il percorso meno chiaro per l'osservatore amichevole.

Il team ha testato il loro sistema in vari ambienti simulati per vedere quanto bene performasse l'ottimizzatore di traiettoria. In uno scenario, un robot doveva essere chiaro per un osservatore amichevole in una zona verde e nascosto da uno ostile in una zona rossa. Il software ha generato con successo percorsi che curvano attraverso la zona verde per mostrare chiaramente le sue intenzioni, mentre scivolavano fuori dalla zona rossa o si muovevano in un modo che confondeva l'osservatore nella zona rossa. In un altro test, i ricercatori hanno posizionato gli osservatori amichevoli e ostili in aree sovrapposte. Hanno scoperto che il robot poteva comunque trovare un percorso che funzionasse per entrambi, sebbene dovesse compiere dei compromessi. Ad esempio, se l'osservatore ostile aveva un "motivo" o un'influenza più forte, il robot avrebbe scelto una rotta più ingannevole, anche se ciò significava che l'osservatore amichevole avrebbe dovuto aspettare un momento in più per comprendere l'obiettivo del robot. I risultati hanno mostrato che l'ottimizzatore di traiettoria poteva generare percorsi che erano significativamente migliori rispetto a semplici linee rette o percorsi che cercavano solo di essere efficienti. Poteva produrre traiettorie che erano altamente leggibili per le persone giuste e altamente illeggibili per quelle sbagliate, adattando il proprio comportamento in base ai vincoli specifici dell'ambiente.

I ricercatori hanno anche esplorato cosa succede quando gli obiettivi sono in direzioni completamente opposte. In questi casi difficili, una linea retta è solitamente il percorso più efficiente, ma potrebbe essere troppo facile da leggere. L'ottimizzatore di traiettoria ha mostato che, utilizzando una strategia di esca, il robot poteva muoversi verso un obiettivo falso per molto tempo, convincendo l'osservatore che stesse andando dalla parte sbagliata, prima di svoltare improvvisamente verso la destinazione reale. Questo ritardava la corretta intuizione dell'osservatore fino alla fine del percorso. Tuttavia, il team ha notato che il loro lavoro attuale si basa su simulazioni in cui l'ambiente è statico e gli osservatori non si muovono. Essi riconoscono che le applicazioni nel mondo reale richiederebbero al robot di gestire persone in movimento e viste mutevoli in tempo reale. Indicano anche che il loro sistema assume che il robot sappia esattamente dove si trovano gli osservatori e cosa possano vedere, il che potrebbe non essere sempre vero in un contesto caotico del mondo reale. Nonostante queste limitazioni, lo studio fornisce un quadro matematico chiaro per un problema che non è mai stato risolto prima: come essere chiari ad alcuni e nascosti ad altri contemporaneamente.

In definitiva, questo lavoro va oltre l'idea che un robot debba essere semplicemente efficiente o semplicemente educato. Riconosce che, in un mondo con molteplici osservatori, il percorso di un robot è una forma di comunicazione che può essere personalizzata per diversi pubblici. Il sistema dell'ottimizzatore di traiettoria dimostra che è possibile calcolare un percorso che serva più padroni, bilanciando la necessità di trasparenza con la necessità di privacy. Mentre i robot diventano più comuni nelle nostre vite quotidiane, dai magazzini agli ospedali, la capacità di navigare in queste complessità sociali e strategiche diventerà sempre più importante. Questa ricerca offre un nuovo modo di pensare al movimento del robot, non solo come un atto fisico di andare dal punto A al punto B, ma come una decisione strategica su chi debba conoscere i piani del robot e chi no.