Guessing human intentions to avoid dangerous situations in caregiving robots
Dit artikel presenteert een realtime algoritme gebaseerd op de Artificial Theory of Mind en een "like-me"-beleid dat zorgrobots in staat stelt menselijke intenties af te leiden, potentiële gevaren te detecteren en veilige acties te selecteren om gevaarlijke situaties te vermijden, zoals gevalideerd door middel van simulaties en experimenten in de echte wereld.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin machines niet alleen opdrachten opvolgen, maar ook de onuitgesproken plannen van de mensen om hen heen begrijpen. Dit is de grens van de sociale robotica, een vakgebied dat zich toelegt op het creëren van machines die met dezelfde intuïtieve bewustheid als een mens door menselijke ruimtes kunnen navigeren. Centraal in deze capaciteit staat het concept van een "theory of mind" (theory of mind), wat simpelweg het vermogen is om te raden wat een ander wezen denkt of wat diegene van plan is te doen. Terwijl mensen dit instinctief doen, vereist het aanleren van een robot om hetzelfde te doen dat het een mentaal model van de wereld moet opbouwen, simulaties moet draaien van wat er zou kunnen gebeuren, en vervolgens een actie moet kiezen die iedereen veilig houdt. Dit gaat niet over de robot die emoties voelt, maar over de robot die zijn interne computermodellen gebruikt om de toekomstige gevolgen van de bewegingen van een persoon te voorspellen en in te grijpen voordat er een ongeluk plaatsvindt.
In een recente studie onderzochten onderzoekers van de Universiteit van Extremadura in Spanje hoe een zorgrobot deze vorm van voorspellend denken zou kunnen gebruiken om gevaarlijke situaties te voorkomen. Ze richtten zich op een specifiek type robot dat ontworpen is om mensen te assisteren, een robot die in staat moet zijn te voelen wanneer een mens op het punt staat een botsing te krijgen met een obstakel dat diegene niet kan zien. Het team ontwikkelde een systeem waarbij de robot naar een persoon kijkt, uitrekent waar die persoon waarschijnlijk naartoe zal gaan, en vervolgens een snelle mentale simulatie uitvoert om te zien of dat pad tot een botsing leidt. Als de robot een botsing voorspelt, wacht hij niet tot de persoon stopt; in plaats daarvan berekent hij onmiddellijk een beweging die hij kan maken om het gevaar te blokkeren of de persoon weg te leiden, waardoor hij effectief optreedt als een stille bewaker.
De onderzoekers testten dit idee met behulp van een op maat gemaakte robot genaamd Shadow, die beweegt op vier wielen en is uitgerust met camera's en lasersensoren om zijn omgeving te zien. In hun opstelling observeert de robot een persoon die een kamer doorloopt richting een bank. Op de vloer, direct in het pad van de persoon, ligt een klein object, zoals een bal of een rugzak, dat de persoon mogelijk niet opmerkt. De taak van de robot is om te beseffen dat de persoon van plan is recht in dit object te lopen. Om dit te doen, gebruikt de robot een "like-me"-strategie. Het gaat ervan uit dat de persoon zal handelen zoals de robot zelf zou handelen als hij in die situatie zou zijn: naar een object kijken en er naartoe bewegen. De robot voert vervolgens een simulatie van de reis van de persoon uit binnen zijn eigen computer, waarbij een physics engine wordt gebruikt om precies te voorspellen hoe de persoon zou bewegen.
Wanneer de simulatie laat zien dat de persoon het object zal raken, weet de robot dat er een gevaarlijke situatie ontstaat. De robot schakelt dan over naar een tweede fase van het denken. De robot vraagt zichzelf af: "Wat kan ik doen om dit te stoppen?" Het simuleert verschillende acties, zoals het zelf bewegen naar een specifieke plek in de kamer. Het controleert of het plaatsen van de robot op die nieuwe plek de persoon dwingt om van pad te veranderen en het obstakel te vermijden. Als de simulatie bevestigt dat de nieuwe positie van de robot de botsing succesvol zou voorkomen, voert de robot deze beweging in de echte wereld uit. Het doel is niet om de persoon te stounen in het lopen, maar om de omgeving subtiel te veranderen zodat de persoon van nature het gevaar ontwijkt zonder zelfs te beseffen dat de robot helpt.
Om te zien of dit systeem werkte, voerde het team drie verschillende soorten tests uit. Eerst gebruikten ze een computersimulatie om het scenario 180 keer te draaien met verschillende posities voor de robot, de persoon en het obstakel. In deze virtuele proeven identificeerde de robot de risicovolle situaties en genereerde in het overgrote deel van de gevallen een veilige actie. De systematiek produceerde echter een aanzienlijk aantal fout-positieven, wat betekent dat het soms onterecht gevaarlijke situaties detecteerde die in de werkelijkheid geen gevaar zouden vormen. Ondanks dit produceerde het algoritme nooit fout-negatieven, waardoor werd gegarandeerd dat geen enkele onveilige situatie onbehandeld bleef. De robot nam zijn beslissingen in minder dan een seconde, een snelheid die snel genoeg is om in realtime te reageren.
De onderzoekers gingen vervolgens over naar complexere tests waarbij echte mensen betrokken waren. In één experiment bestuurden menselijke vrijwilligers een digitale avatar in de simulatie, waarbij ze probeerden naar een bank te lopen terwijl er een verborgen bal in hun weg lag. Ze konden de bal niet zien omdat hun zicht geblokkeerd werd, maar wanneer de robot in hun pad bewoog om de bal te blokkeren, veranderden de mensen instinctief van richting om de robot te vermijden en daarmee het verborgen obstakel te ontwijken. In een laatste test in de echte wereld werd de fysieke Shadow-robot in een kamer geplaatst met vijf verschillende mensen. Deze mensen kregen de opdracht om door de kamer te lopen terwijl ze een krant lazen, waarbij ze een rugzak die op de grond in hun pad lag, negeerden. Terwijl ze liepen, detecteerde de robot hun intentie om de rugzak te raken. De robot bewoog naar een positie nabij de rugzak, en in elk geval merkte de persoon de robot op, reageerde met verbazing en vervolgde zijn weg naar het toegewezen doel, waarbij het obstakel succesvol werd vermeden.
De studie suggereert dat deze aanpak van het gebruik van interne simulaties om menselijke intenties te raden een levensvatbare manier is om robots veiliger en nuttiger te maken in menselijke omgevingen. Het systeem bleek robuust genoeg om de onvoorspelbaarheid van echte mensen te hanteren, zelfs wanneer zij afgeleid waren of zich niet bewust waren van het gevaar. De onderzoekers merken echter op dat voor deze technologie om te werken in drukkere of complexere ruimtes, de robot sneller moet worden in het sorteren van vele mog toe mogelijke acties en mensen. Ze wijzen er ook op dat naarmate robots meer in staat worden om dit soort beslissingen in een fractie van een seconde te nemen, vragen over hoe zij kiezen tussen meerdere mensen in gevaar, geadresseerd moeten worden. Voor nu demonstreert het werk dat een robot succesvol een vorm van mentale simulatie kan gebruiken om menselijke behoeften te anticiperen en in te grijpen om ongelukken te voorkomen voordat ze gebeuren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.